《華為：2023加速行業智能化白皮書-使能百模千態賦能干行萬業（207頁）.pdf》由會員分享，可在線閱讀，更多相關《華為：2023加速行業智能化白皮書-使能百模千態賦能干行萬業（207頁）.pdf（207頁珍藏版）》請在三個皮匠報告上搜索。

1、加速行業智能化白皮書使能百模千態，賦能千行萬業本書編委會主任委員：王麗彪 華為企業 BG 副總裁、行業 ICT 解決方案開發管理部部長主 編：王 慷 華為行業 ICT 解決方案架構設計部部長編委會委員（排名不分先后）：魏 亮 中國信息通信研究院副院長王愛華 中國信息通信研究院副總工程師、教授級高級工程師鄒德寶 賽迪顧問人工智能產業研究中心常務副總經理何寶宏 中國信息通信研究院云計算與大數據研究所所長許立言 北京大學城市與環境學院研究員、博士生導師王靜遠 北京航空航天大學計算機學院教授鄧 攀 北京航空航天大學軟件學院副研究員、博士生導師邊英杰 華為行業 ICT 解決方案規劃與營銷運作部部長編委會

2、秘書：楊 虎編寫成員（排名不分先后）：信通院：曹 峰 李 蓀 樊 威 唐甜甜華 為：周 倩 馮國杰在這個數字化、智能化的時代，人工智能已經逐漸成為推動科技發展的核心驅動力。人工智能技術越來越成為面向未來、開拓創新的重要工具和手段。其中，基于知識驅動的第一代人工智能利用知識、算法和算力三個要素構建AI;基于數據驅動的第二代人工智能利用數據、算法和算力三個要素構建 AI。由于第一、二代 AI 只是從一個側面模擬人類的智能行為，因此存在各自的局限性，很難觸及人類真正的智能。而第三代人工智能，則是對知識驅動和數據驅動人工智能的融合，利用知識、數據、算法和算力四個要素，構建了新的可解釋和魯棒的 AI 理

3、論與方法，發展安全、可信、可靠和可擴展的 AI 技術。第三代人工智能是發展數字經濟的關鍵，是數字經濟未來發展的新燈塔和新航道。知識和數據雙輪驅動下的第三代人工智能技術正在催生人工智能產業的迭代升級，以大模型為代表的第三代人工智能，它通過文本的語義向量表示和轉換器的多頭注意機制，能夠對文本的語義，即文本中所包含的知識進行自監督學習，從而在聊天（對話或自然語言處理）上向通用人工智能邁出一步，這是人工智能的重大突破，已經成為新一輪科技革命和產業變革的核心驅動力，助力中國經濟實現高質量發展，深刻影響人民生活和社會進步。本書的典型特色，就是通過一些具體的場景應用和實踐案例，把第三代人工智能賦能千行萬業的

4、作用進行了具象化，主要體現在以下幾個方面：一是第三代人工智能技術聚焦于企業和政府服務，涉及零售營銷、金融、交通、醫療保健、教育、制造業、網絡安全等方面。例如，在實踐案例方面，中國國家氣象中心與華為合作的氣象大模型，通過海量數據和算力保障充分發揮大模型算法的作用，使得中長期氣象預報精度首次超過傳統數值方法，速度提升 10000 倍以上。二是第三代人工智能技術催生了很多新興產業，這些新興產業對于國民經濟、國防、國民社會的發展至關重要。例如，在場景方面，AI技術使能城市安全?；?AI 技術構建的智能預測模型和智能決策模型等為城市感知體系的建設帶來了新的能力。通過視覺大模型能夠將之前的單場景感知增強

5、至泛化多場景安全風險識別，面對城市安全等場景提升感知數據的通用分析能力，持續推動城市感知體系的創新和升級，為構建更智慧、更安全的城市環境注入了強大的動力。三是第三代人工智能技術積極推動傳統產業轉型升級，運用大量信息技術和數字化手段，加快推進產業智能化，完善產業鏈數字形態，極大地提升生產效率和產品質量。例如，本書介紹了山東能源集團的智能化轉型的案例。山東能源集團創新性地使用大模型和云邊端分層分級架構體系，通過 AI 與業務流程深度結合、資深業務人員的深度參與，以及應用與 AI 算法協同等機制，成功解決了能源行業人工智能應用的難題。第三代人工智能技術的發展還存在理論基礎薄弱的問題，屬于探索“無人區

6、”，發展目標和發展道路不明晰，這也是人工智能產業和信息產業最大的不同。我們還欣喜的看到，本書提出了利用人工智能技術推動行業智能化的一個系統工程的理論架構。書中提到的“分層開放、體系協同、敏捷高效、安全可信”的行業智能化參考架構，對人工智能產業生態的構建會起序言一到重要作用，促進產業的有機更新、迭代升級，帶動千行萬業智能化，從而加快人工智能產業快速發展。未來，全球經濟要實現高質量發展，必須大力推動人工智能持續賦能行業智能化轉型。通過本書的介紹，我們看到中國的人工智能技術和產業已經取得了長足的發展，在各個領域進行了大量的探索和實踐，有諸多成功案例，可以為全球走向智能化提供一些成功的經驗和實踐范式。

7、讓我們期待人工智能技術的持續創新和改善，全球的人工智能產業及應用能在下一個十年蓬勃健康地發展！人工智能正在迅速發展，智能世界加速到來。最后，我想說，人工智能的魅力就在于人工智能的研究永遠在路上,需要的是堅持不懈與持之以恒。希望全社會、各行業能夠更加積極的擁抱人工智能技術，共同迎接一個充滿智能與創新的新時代。中國科學院院士、清華大學教授、清華大學人工智能研究院名譽院長猶如歷史上蒸汽機、電力、計算機和互聯網等通用技術一樣，近 20 年來，人工智能正以史無前例的速度和深度改變著人類社會和經濟，為釋放人類創造力和促進經濟增長提供了巨大的機會。人工智能是驅動新一輪科技和產業變革的重要動力源泉。人工智能的

8、發展不但已從過去的學術牽引迅速轉化為需求牽引，其基礎和目標也在發生變化。人工智能技術在大數據智能、群體智能、跨媒體智能、人機混合增強智能、自主智能系統五大發展方向的重要性和影響力已系統展現。在規劃及產業的推動下，這五個方向和 5G、工業互聯網、區塊鏈一起正在形成更廣泛的新技術、新產品、新業態、新產業，使得制造過程更智能，供需匹配更優化，專業分工更精準，國際物流更流暢，從而引發經濟結構的重大變革，帶動社會生產力的整體躍升。另外，人工智能也正在賦能智慧電力、智慧交通、智能城市、智慧醫療、智慧農業等方向，帶動各行各業從傳統發展模式向智能化轉型?？傊?，人工智能正不斷重新定義人們的生產、生活的方方面面，

9、同時也為我們帶來了前所未有的機遇和挑戰。Chat GPT 的問世使 AI 又前進一大步。數據、算力、算法曾是人工智能發展的三大核心要素，現在開始轉向大的數據、模型、知識、用戶等四大要素。其中，數據是人工智能算法的“燃料”，融入知識的大模型是人工智能的基礎設施，大模型的廣泛使用則是人工智能系統進化的推動力量。從傳統作坊式小模型向百億千億參數大模型的演進中，參數越多，訓練的大數據越廣泛、通用效果就越明顯，越似乎人腦，但對算力要求也越高，杜絕偏差的難度也越大。人工智能迭代發展過程中，頂層設計要考慮到行業中數據的相容與特色、知識的建構和發展，序言二算力設施的同步演進，形成合力，支撐人工智能產業升級換代

10、。在這場人工智能的變革浪潮中，如何把握人工智能技術的發展趨勢，將其應用于實際行業場景，以實現更高效率、更低成本、更廣覆蓋度地賦能行業智能化，已經成為社會各界關注的焦點。行業智能化轉型過程中遇到的其中一個關鍵挑戰是在各行業與 AI 之間的知識溝通，培養兩棲人才。本書通過一個通用的系統工程框架比較全面地解析了該問題的解決之道，來指導行業智能化轉型這個復雜的系統工程。通用的智能化系統框架像人體一樣，有大腦、五官、經脈、血液、手腳、知識等，可感知，能學習，會思考，會進步。結合行業數據、知識的積累與融合，用戶的體驗與反饋，才能更好地支撐 AI 在行業中的發展。人工智能將觸發廣泛的行業變革。未來十年，AI

11、 的主戰場正是在各行各業。我們不但要研究語言模型、圖像模型、視頻模型等等基礎大模型，還要進一步創建行業知識與數據集，訓練各行業的垂直模型，推動數據和知識雙輪驅動的人工智能。數據和知識的結合將讓人工智能走向更深入、更專業、更廣泛。另外還需要加強安全可信、政策標準等方面的投入，以更全面、更有效的力度推進行業智能化的發展。本書列舉了人工智能技術使能不同的企業生產場景和民生場景。例如，在 AI 使能企業生產部分，本書提出了大模型支撐不同業務場景：視覺大模型應用于安監生產；語言大模型應用于經營管理；多模態大模型應用于決策指揮。在 AI 使能民生部分，通過使用人工智能技術，提高醫學影像診斷的精準性、標準化

12、和自動化。書中對智慧煤礦、智慧鋼鐵、智慧港口、智慧城市交通、智慧航空、智能鐵路、智慧城軌、智慧油氣、智能制造、智慧電力等企業生產場景，以及城市治理、氣象預報、智慧影像、精準醫療、智慧水務等民生場景的深入分析，還列舉了大量生動的案例，這些案例分布在礦山、電力、制造和大企業、機場和軌道交通、公路水運口岸、油氣、金融、智慧城市、政府及公共事業等眾多領域。充分體現了人工智能在各行各業應用中具有巨大潛力和廣闊空間?？偟膩碚f，本書總結了華為過去幾十年的技術創新研究和對行業智能化的實際應用效果，通過獨特的視角和深入的思考，考察了人工智能技術在行業智能化中的關鍵作用，展示了如何將人工智能技術與傳統產業深度融合

13、，推動產業升級和轉型，為經濟智能化轉型提供了有益的經驗與借鑒。當前，中國正以“萬水千山只等閑”之勢，生機勃勃地前進在行業智能化轉型的大道上，產業界、學術界、行業用戶正在一起合力構建一個萬物互聯的智能世界，打造無所不及的 AI。智能化的未來，是全人類共同的未來，每個國家都有權利和需求參與到智能化的發展進程中來，共同推動智能化技術的應用和創新，帶動全球經濟和社會走向一個高質量、高水平的快速演進期，以造福全人類。中國工程院院士、浙江大學教授國家新一代人工智能戰略咨詢委員會主任1760 年到 1840 年的第一次工業革命，主要技術手段是煤炭、蒸汽機，將人類帶入了以機械化為特征的蒸汽機時代。19 世紀末

14、到 20 世紀初的第二次工業革命的主要技術手段是電力、石油，將人類帶入了電氣化時代。20 世紀60 年代開始的第三次工業革命主要技術手段是計算機、互聯網，將人類帶入了自動化或網絡化時代。21 世紀初的第四次工業革命則以大數據和人工智能技術為核心，以互聯網承載的新技術融合為典型特征。相比前三次工業革命為人類社會帶來的進步，第四次工業革命將人類帶入了更高層次的智能化時代。人工智能技術不斷演進，成為第四次工業革命的關鍵新興技術，成為當前最具顛覆性的技術之一，是行業轉型升級的重要驅動力量。人工智能作為一項戰略性技術，已成為世界多國政府科技投入的聚焦點和產業政策的發力點。全球 170 多個國家相繼出臺人

15、工智能相關國家戰略和規劃文件，加速全球人工智能產業發展落地。具體而言，美國將人工智能提到“未來產業”和“未來技術”領域的高度，不斷鞏固和提升美國在人工智能領域的全球競爭力；歐盟全面重塑數字時代全球影響力，其中將推動人工智能發展列為重要的工作；英國旨在使英國成為人工智能領域的全球超級大國；日本致力于推動人工智能領域的創新創造計劃，全面建設數字化政府；新加坡要成為研發和部署有影響力的人工智能解決方案的先行者；基于當前復雜多變的國際形勢，中國一方面要加強人工智能基礎核心技術創新研究，培育自主創新生態體系，另一方面要推進人工智能與傳統產業的融合，賦能我國產業數字化、智能化高質量發展。算力、數據、算法已

16、經構成了目前實現人工智能的三要素，并且缺一不可。人工智能算力是算力基礎設施的重要組成部分，是中國新基建和“東數西算”工程的核心任務抓手。預計到 2025 年，中國的 AI 算力總量將超過1800EFlops，占總算力的比重將超過 85%，2030 年全球 AI 算力將增長 500 倍。中國已經在 20 多個城市陸續啟動了人工智能計算中心的建設，以普惠算力帶動當地人工智能產業快速發展。多年來華為聚焦鯤鵬、昇騰處理器技術，發展歐拉操作系統、高斯數據庫、昇思AI開發框架等基礎軟件生態，通過軟硬件協同、架構創新、系統性創新，保持算力基礎設施的先進性，為行業數字化構筑安全、綠色、可持續發展算力底座。人工

17、智能產業的發展必然帶來海量數據安全匯聚和流通的需求，大帶寬、低時延的網絡能力是發揮算力性能的基礎。網絡能力需求體現在數據中心內、數據中心間以及數據中心跟終端用戶之間不同層面的需求。中國正在啟動400G 全光網和 IPv6+網絡建設以及從 5G 往5G-A 傳輸網絡的演進工作，旨在通過大帶寬、低時延高性能網絡，支撐海量數據的實時安全交互。通過全方位的網絡能力建設和升級，為人工智能數據流動保駕護航。人工智能技術的應用，是發揮基礎設施價值的最后一公里。海量通用數據基礎上進行預先訓練形成的基礎大模型，大幅提升了人工智能的泛化性、通用性、實用性?；A大模型要結合行業數據進行更有針對性的訓練和優化，沉淀行

18、業數據、知識、特征形成行業大模型，賦能千行萬業智能化轉型。序言三本書中華為聯合行業全面地總結了人工智能基礎設施建設以及行業智能化轉型的實踐經驗，精選了一些AI使能企業生產、使能民生、加速行業智能化轉型方面的典型案例進行分析，展示了圖像檢測、視頻檢索，預測決策類，自然語言處理 3 類應用場景的巨大潛力，為世界各國推動行業智能化轉型落地提供了更多的思路、方法和借鑒，為全球人工智能技術發展和進步貢獻更多智慧和力量。人工智能技術將成為行業智能化的主驅動，推動各行各業實現智能化轉型和發展。智能化將成為全人類共同的未來，不是個別國家的特權，不僅是因為它能夠帶來巨大的經濟和社會效益，更因為它能夠讓人類的生活

19、更加便捷、高效和舒適。全球各國可以結合各自的實際情況，相互學習和借鑒，加快 AI 算力基礎設施的構建，并通過人工智能領域人才的培養、提供政策保障、制定行業標準，助推 AI 技術高質量發展，共同探索和創造更加美好的未來。中國工程院院士、清華大學計算機科學與技術系教授回望人類社會發展史，過去幾千年里，社會生產力基本保持在同一水平線上。然而，自工業革命以來，這條曲線開始緩緩上升，并且變得越來越陡峭。人工智能被譽為是 21 世紀社會生產力最為重要的賦能技術，正以驚人的速度滲透進各行各業，推動一場新的生產力與創造力革命，變革未來的產業模式。凱文凱利預測，在未來的 100 年里，人工智能將超越任何一種人工

20、力量。變革已成為一股無法阻擋的力量，將人類引領到了一個前所未有的時代。人工智能帶動數字世界和物理世界無縫融合，從生活到生產，從個人到行業，正日益廣泛和深刻地影響人類社會，驅動產業轉型升級。ChatGPT和大模型的出現使得人工智能發展進一步加速，世界各國正在進入百模千態時代，人工智能與千行萬業的深度融合成為熱點與焦點，加速行業智能化成為未來人工智能發展的主旋律。古人云：日就月將，學有緝熙于光明。華為始終秉持“把數字世界帶入每個人、每個家庭、每個組織，構建萬物互聯的智能世界”愿景，基于對未來趨勢的理解和把握，在 ICT（信息和通信技術）領域一直走在前沿，不斷引領產業發展。在 2005 年，首先提出

21、網絡時代全面向“ALL IP”發展演進；在 2011 年，又一次提出數字化時代全面向“All Cloud”發展演進；在 2021 年，首次刊發智能世界 2030揭示了未來十年 ICT 技術廣泛應用發展趨勢。今天，我們在此提出智能時代全面向“All Intelligence”發展演進，通過人工智能領域的理論創新、架構創新、工程創新、產品創新、組合創新和商業模式創新，華為將使能百模千態、賦能千行萬業，加速行業智能化發展，助力行業重塑與產業升級。據預測，2030 年全球人工智能市場規模將超過 20 萬億美元，然而在行業的智能化落地中仍面臨以下四個關鍵挑戰：首先，人工智能的算力挑戰，大模型應用對于算力

22、基礎設施的規模提出了更高的要求，企業傳統基礎設施面臨算力資源不足的挑戰。大模型需要大算力，其訓練時長與模型的參數量、訓練數據量成正比。參照業界分析，能達到可接受的訓練時長，需要百億參數百卡規模，千億參數千卡規模，萬億參數萬卡規模，這對算力資源的規模提出了較高的要求。第二，人工智能的數據挑戰，各個行業都有各自長期且專業的積累，涉及物理、化學、生物、地質等多維知識表達，為了在不同行業落地應用，大模型必須結合行業知識、專有數據，完成從通用到專業的轉變。獲取海量高質量專有數據是一項艱巨的任務，如何智能感知、實時上傳和高效存取海量生產數據，不僅需要解決設備連接的兼容性問題，還要確保實時性和高可靠性。在數

23、據預處理、訓練和推理階段，同樣面臨讀取性能問題、數據丟失問題以及成本效率問題等一系列挑戰。行業數據是企業的核心知識資產，涉及到知識產權等問題。如何合法地獲取和整合數據，并確保端到端的數據安全，滿足隱私保護要求也是一項挑戰。第三，人工智能技術開發的挑戰，在行業模型及應用開發的過程中，如何簡化開發流程，提高開發效率，變革開發模式，高效打通數據鏈路，引入自動化機制，加強應用安全性和可靠性，都是大模型應用開發中面臨的諸多難題。要解決這些難題，關鍵在于打造一個通用可靠的人工智能應用開發平臺來賦能行業開發者。最后，人工智能落地應用的挑戰，由于不同規模、序言四不同能力的企業對大模型的建設需求不盡相同，因此需

24、要構建不同層級的模型并提供相應的資源和部署能力，如總部層面集中建設大規模訓練集群，區域層面建設規模訓練平臺、訓推一體平臺，邊緣側部署推理能力。服務于行業，除了技術問題，人工智能還需要解決人才儲備、技術生態，以及法規政策等一系列挑戰。過去三年，華為成立行業軍團，深入行業、深入場景，縱向縮短管理鏈條，更好的響應客戶智能化需求；橫向快速整合研發資源，全力支持千行萬業的智能化轉型發展。行業軍團基于華為創新的智能化 ICT 基礎設施和云平臺，廣泛聯合業內解決方案伙伴，打造領先的產品和解決方案適配行業智能化場景，為行業智能化實踐添磚加瓦、探索前行。比如，華為云盤古氣象大模型，正被天氣預報中心用來預測未來1

25、0 天全球天氣。該模型使用全球 39 年的天氣數據進行訓練，僅用 1.4 秒就完成了全球 24 小時天氣預測，比傳統的天氣預報方法快 1 萬倍；可以借助它進行臺風路徑的預報，保持了極高的精準度。山東能源集團依托盤古大模型建設人工智能訓練中心，構建起全方位人工智能運行體系，探索和發掘煤礦生產領域全場景的人工智能應用，將一套可復用的算法模型流水線應用到各種作業場景，通過“人工智能大規模下礦”實現了礦山作業的本質安全和精簡高效。目前行業軍團已經面向金融、制造、電力、礦山、機場軌道、公路水運口岸、城市、教育醫療等20 多個行業打造了 200 多個行業智能化解決方案，并在一系列智能化項目中產生了實際效果

26、。千行萬業正在積極擁抱人工智能，把行業知識、創新升級與大模型能力相結合，以此改變傳統行業生產作業、組織方式。人工智能的發展與使用將成為全球各個國家行業轉型升級的關鍵一環，助力各個國家在人工智能時代不斷取得發展，華為將聚焦以下三方面，持續助力：第一，創新引領。持續加強人工智能基礎設施的創新投入，提供靈活的智能算力供給模式，高效可信的人工智能開發體系，使各層級大模型更易于部署，應用速度更快，推進 AI 應用走深向實，助力行業、企業實現場景創新。第二，生態開放。算力開放，支持百模千態；感知開放，實現萬物智聯；模型開放，匹配千行萬業。與各行業的合作伙伴共同構建人工智能生態圈，探索更多的人工智能行業場景

27、應用，攜手企業、研究機構、學術機構等共筑安全可信的人工智能生態體系。第三，人才培養。人才是企業發展的核心力量，支持各個行業、各個企業培養和吸引人工智能人才，打造一支高水平的人工智能研發團隊，為人才提供廣闊的發展空間。結合華為行業智能化實踐，以及面向智能世界2030 的展望，我們與業界專家學者進行了萬場以上座談研討，凝聚了各方智慧與經驗，輸出加速行業智能化白皮書。希望能夠通過本書的論述和案例為行業智能化實施落地提供參考，加速拓展人工智能技術在行業中的應用。百舸爭流，奮楫者先。智能時代的大潮正奔涌而來，讓我們同舟共進，引領時代，使能百模千態、賦能千行萬業、加速行業智能化！華為公司常務董事、ICT

28、基礎設施業務管理委員會主任、企業 BG 總裁 14加速行業智能化白皮書加速行業智能化轉型目錄1第二章實現智能化轉型所需的參考架構10第一章加速行業智能化的價值與挑戰加速智能化帶來新價值2加速智能化轉型案例3第五章制造和大企業97105第六章礦山及重工業制造120第七章金融127第八章電力行業智能化轉型展望4第十四章總結與展望193第三章智能化使能企業生產33第四章智能化使能民生80第十章機場和軌道交通142第九章油氣133第十一章公路水運口岸152第十二章智慧城市169第十三章政府及公共事業17431加速行業智能化轉型第一篇2第一章加速行業智能化的價值與挑戰人類社會經歷了從農業社會到工業社會到

29、信息社會再到智能社會的變遷，歷時幾千年。蒸汽機的發明，讓交通方式實現了從馬車到汽車的躍遷，推動人類社會從農業時代邁入工業時代；計算機的發明，深刻地改變了生產生活的各個方面，推動人類社會從工業時代邁入信息時代；而人工智能技術的快速發展和廣泛應用，正幫助人類加速跨入智能時代，這是一個波瀾壯闊的史詩進程，將開啟一個與大航海時代、工業革命時代、宇航時代等具有同樣歷史地位的新時代。人工智能的概念提出于 1956 年，歷時近 70 年時間周期的技術演進，無論技術本身還是應用均出現了日新月異的變化。據預測，截至 2030 年，人工智能的三大核心要素均將迎來創新突破：在算法方面，大模型將在應用側持續落地、改變

30、產業發展生態；在數據方面，人類將迎來 YB 數據時代，數據量是 2020 年的 23 倍、全球聯接總數達 2000 億；在算力層面，全3加速行業智能化白皮書球通用計算算力將達到 3.3ZFLOPS(FP32)，AI 計算算力將超過 105 ZFLOPS(FP16)，增長 500 倍。人工智能正在開啟繼互聯網、物聯網、大數據之后的第四次科技浪潮。全球 170 多個國家相繼出臺人工智能相關戰略和規劃文件，將政策重點聚焦在加強技術投資和人才培養、促進開放合作以及完善監管和標準建設上，全球人工智能產業發展進入加速落地階段。具體而言，美國將人工智能提到“未來產業”和“未來技術”領域的高度，不斷鞏固和提升

31、美國在人工智能領域的全球競爭力；中國一方面要加強人工智能基礎核心技術創新研究，培育創新的生態體系，另一方面要推進人工智能與傳統產業的融合，賦能中國產業數字化、智能化高質量發展；歐盟全面重塑數字時代全球影響力，其中將推動人工智能發展列為重要的工作；英國旨在使英國成為人工智能領域的全球超級大國；日本致力于推動人工智能領域的創新創造計劃，全面建設數字化政府；新加坡要成為研發和部署有影響力的人工智能解決方案的先行者。華為一直致力于“把數字世界帶入每個人、每個家庭、每個組織，構建萬物互聯的智能世界”。萬物感知、萬物互聯和萬物智能是智能世界的三大特征。要實現這三大特征，需要大量的1.1 智能社會，未來已來

32、1.1.1 智能世界正在加速而來20世紀，人工智能的發展主要經歷了五個階段：（1）萌芽期（1956 年-20 世紀 60 年代初）：在這個階段，以麥卡賽、明斯基、羅切斯特和申農為代表的科學家團隊共同研究了機器模擬ICT 創新技術，打造一條 All IP、All Cloud、All Intelligence 的創新之路，并以共生共榮的生態系統作為支撐，使能整個智能世界。2005 年華為提出網絡時代的“All IP”，在 2011 年華為提出數字化時代的“All Cloud”，2023 年提出智能時代的“All Intelligence”。華為持續以產品創新、系統架構創新和商業模式創新的新理念，深

33、耕聯接、計算、存儲、感知、云、大模型等領域相關技術的研究創新，著眼于個人、家庭、組織在數字化轉型到智能化轉型過程中所遇到的現實挑戰，幫助他們解決問題，實現從 All IP、All Cloud 到 All Intelligence 的產業升級。人工智能正從感知理解走向認知智能，帶動數字世界和物理世界無縫融合，從生活到生產、從個人到行業、從 C 端到 B 端，正日益廣泛和深刻地影響人類社會，驅動產業轉型升級。據預測，2030 年全球人工智能市場規模將超過 20 萬億美元，2030 年中國人工智能核心產業規模將超過 4 萬億美元，目前仍有較大的發展潛力和空間。人工智能無所不及，幫助人類獲得超越自我的

34、能力，成為科學家的顯微鏡與望遠鏡，讓我們的認知跨越微小的夸克到廣袤的宇宙，千行萬業從數字化走向智能化。讓我們擁抱 AI 新時代，擁抱行業智能化轉型，擁抱美好新未來！智能的相關問題，并于 1956 年達特茅斯會議上正式提出人工智能概念。（2）啟動期（20世紀 60 年代）：上世紀 60 年代迎來人工智能的第一個黃金發展期，該階段的人工智能主要以語言翻譯、證明等研究為主，在這個階段取得了機器定理證明、跳棋程序等一系列標準性4加速行業智能化白皮書成果。（3）瓶頸期（20 世紀 70 年代初）：上世紀 70 年代，經過科學家深入的研究，科學家提出了一系列不切合實際的研發目標，尤其是對機器模仿人類思維的

35、錯誤認識，導致人工智能發展進入低谷期；（4）突破期（20 世紀 70 年代初到 90 年代中期）：以專家系統為代表的技術突破，推動人工智能加快應用于醫療、化學、地質等各個領域，人工智能技術在商業領域取得了巨大的成果；（5）平穩期（20世紀 90 年代以來）：上世紀 90 年代以來，隨著互聯網技術的逐漸普及，加速了人工智能的創新突破，出現了深藍計算機戰勝國際象棋冠軍、“智慧地球”提出等一系列標志性事件，促進人工智能進一步與應用相結合。進入 21 世紀,人工智能正在開創下一個黃金階段。2016 年，Google AlphaGo 擊敗頂級圍棋選手，震驚全球，開啟了新一輪 AI 熱潮。2022 年 1

36、1 月 30 日，ChatGPT 橫空出世，人工智能的發展進入全新階段。2023 年 3 月15 日，OpenAI 又推出多模態大模型 GPT-4，在生成質量、使用性能和模型安全合規等多個領域評分均領先于現有主流模型，被譽為“史上最強”大模型。Meta 公司于 2023 年2 月和 7 月先后推出開源大模型 LLaMA 和LLaMA2，LLaMA2 在數據質量、訓練技術、能力評估、安全訓練和負責任的發布等方面有了顯著的進步，并首次放開商業用途許可要求。根據 GitHub 統計，中國也已經推出超過 100個大模型，包括華為盤古大模型、訊飛星火認知大模型、智譜 AI-ChatGLM 大模型、百度文

37、心大模型等。大模型應用一般分為兩個階段：預訓練和微調，大模型預先在海量通用數據上進行訓練，數據、知識得到了高效積累和繼承，從而大幅提升了人工智能的泛化性、通用性、實用性。在實際處理下游任務時再通過小規模數據進行微調訓練，就能達到傳統小模型的效果。大模型的出現，減少了行業用戶訓練模型研發成本，降低了 AI 落地應用的門檻，并且上線部署過程大幅簡化，迅速驅動 AI 在千行萬業的應用普及。隨著大模型從“炫技”到“落地生根”，全社會也認識到 AI 技術真正地來到了我們身邊，AI 技術的“iPhone 時刻”到了，各行業開啟了從數字化到智能化的升級，行業智能化的“iPhone 時刻”也隨之到來。作為繼工

38、業社會、信息社會后更高級的社會形態，智能社會必將迎來廣泛、深刻甚至根本性的變革。1.1.2 智能化正在改變人類的生活和工作AI 已經成為了人們生活中不可或缺的一部分，它正在改變著我們的生活方式和工作方式。日常出行中，人工智能翻譯支撐跨語言、跨文化的高效溝通，通過拍照獲取景點的歷史文化和背景故事。在娛樂中，通過虛擬現實（VR）與增強現實（AR）等 AI 技術，讓用戶沉浸在虛擬的現實生活中，或者將虛擬元素融入真實環境中，為娛樂帶來全新的體驗維度。辦公場景中，未來撰文、翻譯、制圖、代碼核查等工作一半以上可由人工智能完成。人工智能可以通過高效運算，接管一些重復性工作，把人類從忙碌而繁重的日常工作中解放

39、出來，讓人類節省最寶貴的時間資源，去做更多振奮人心、富有挑戰性的工作，如按其所長貢獻創造力、策略思維等。在教育場景中，AI 的出現和持續演進正在重構傳統課堂教學，改變學校形態、教學方式和學習方式。如隨著 AI 持續改變教育的方式，越5加速行業智能化白皮書來越多的學生將更愿意參加線上數字課程的學習；借助人工智能技術為學習者推薦個性化的學習資源，實現學習者的個性化學習等。另外，隨著人工智能技術的不斷迭代升級，未來 AI 技術將應用于更多領域，如基于多模態大模型的 AI 個人助理將極大的便利人們的生產生活，數字分身成為跨界人工智能、自媒體、科普多個領域的里程碑式數字 IP，在越來越多的垂直領域細分賽

40、道的應用場景中出現等。1.1.3 智能化正在持續賦能千行萬業人工智能是引領未來的戰略性技術，全球主要國家及地區都把發展人工智能作為提升國家競爭力、推動國家經濟增長的重大戰略。通過應用牽引推動人工智能技術落地成為各國共識。美國引導人工智能技術在行業領域的創新和融合應用。2021 年 7 月，美國國家科學基金會聯合多個部門和知名企業等，新成立 11 個國家人工智能研究機構，涵蓋了人機交互、人工智能優化、動態系統、增強學習等方向，研究項目更是涵蓋了建筑、醫療、生物、地質、電氣、教育、能源等多個領域。中國“十四五”規劃綱要明確大力發展人工智能產業，打造人工智能產業集群以及深入賦能傳統行業成為重點。英國

41、支持人工智能產業化，啟動人工智能辦公室和英國研究與創新局聯合計劃等，確保人工智能惠及所有行業和地區，促進人工智能的廣泛應用。日本將基礎設施建設和人工智能應用作為重點，重點強調了跨行業的數據傳輸平臺，全面推動人工智能在醫療、農業、交通物流、智慧城市、制造業等各個行業開展應用。同時世界各國也高度重視人工智能標準化工作，規范人工智能落地應用，出臺戰略加強標準化布局，支撐產業生態發展。ISO/IEC JTC 1 SC 42 及 IEEE 已成為國際 AI 標準的主要供給方和參考源，影響力正向全球輻射。重點在人工智能基礎共性、關鍵通用技術、人工智能可信及倫理方面開展標準研制工作。2020年 3 月 18

42、 日，中國國家標準化管理委員會批復成立全國信標委人工智能分技術委員會，主要負責人工智能基礎、技術、風險管理、可信賴、治理、產品及應用等人工智能領域國家標準制修訂工作，對口國際 ISO/IEC JTC 1/SC 42，以標準化手段，分類分級分步驟推動大模型評測、算力、算法、數據和治理等領域的技術和應用，帶動和引領人工智能的健康、可持續發展。在全球各國高度關注下，人工智能從實驗室加速走向應用場，推動 AI 技術應用到智能產品的開發，服務模式的創新，產業升級，賦能多行業智能化轉型。在氣象預報行業，AI 讓人們重新審視氣象預報模型的未來，受到國內外氣象組織的高度關注。Nature正刊發表了華為云盤古氣

43、象大模型研究成果，該模型創建了首個精度超過傳統數值預報方法的 AI 模型，速度相比傳統數值預報提速 10000 倍以上，能夠提供全球氣象秒級預報。在今年的“古超”和“杜蘇芮”等臺風預測應用中，盤古氣象大模型準確預測了臺風路徑，這將對氣象導致的防災減災，保障民生安全起到非常重要的作用。在醫療健康行業，AI 的應用逐步走向成熟，在輔助醫療、影像質控、知識問答等方面發揮著極關鍵的作用，尤其是在藥物研發領域，AI 打破公認的“雙十定律”，將研發時間由數年縮短至一個月，研發成本降低了70%，這項突破，直接推動藥物研發實現從“馬拉松”到“加速跑”，開啟了藥物研發領域前沿技術革命的新征程。6加速行業智能化白

44、皮書1.1.4 社會運行方式正在悄然變化人工智能改變了基礎的生產力工具，中期來看會改變社會的生產關系，長期來看將促使整個社會生產力發生質的突破。人工智能將對消除社會數字鴻溝，實現全球包容性增長和可持續發展具有重要作用。人與自然和諧相處是一個永恒的命題，而保護生物多樣性是保護地球的一個重要手段。通過生物多樣性的監測，我們可以更深入地了解身邊的大自然。傳統的生物多樣性研究需要對數據收集的專用技術進行大量投資，并需要非常專業、經驗豐富的生態保護科學家進行數據分析和洞察。相關科學文獻的一項調查發現，58%的生物多樣性聲學研究完全基于專家從原始數據中人工識別物種。如今，隨著人工智能技術的應用，科學家能夠

45、處理的研究數量以及每項研究所能分析的數據量，都有了極大的飛躍。例如，RFCx 開發的 Arbimon 是一個開放和免費的平臺，致力于為生物多樣性聲學監測和洞察提供端到端解決方案。該平臺目前收集了 2,000 多種鳥類鳴叫樣本，占全球鳥種的20%以上。Arbimon 團隊聯合華為和其他合作伙伴，基于不斷增長的數據集，為新物種訓練新的人工智能模型，并重新訓練現有模型以提高性能。分析結果可幫助一線工作人員決策采取可行鳥類保護措施或行動。人與自然的和諧相處也包括阻止外來物種入侵，保護當地物種免于被滅絕，防止破壞當地生活方式。在挪威貝勒沃格這個原本平靜的城市正面臨著外來物種入侵的威脅。駝背大馬哈魚來源于

46、太平洋，并不是挪威的本地物種。駝背大馬哈魚比生活在大西洋的大西洋鮭更具侵略性，現在正快速占領河流，給大西洋鮭的繁殖帶來了挑戰。大西洋鮭屬于挪威政府認定的瀕危物種，如果不采取措施，可能會遭到滅絕。2021 年 3 月，由當地獵人和漁民組成的貝勒沃格狩獵和垂釣協會（BJFF）與華為建立了合作關系，雙方將共同保護斯托爾瓦河中的大西洋鮭。他們最初的目標是利用水下攝像機和人工智能來識別物種并統計魚類的數量。該項目的第一階段于 2021 年夏天啟動。這一階段聚焦開發算法，讓計算機系統能夠識別河流中的本地大西洋鮭和北極紅點鮭，并記錄不速之客駝背大馬哈魚。這一目標已經輕松達到。通過 6 月下旬到 9 月采集到

47、的連續視頻和數萬圖片，新開發的算法能夠識別出 90%以上的大西洋鮭和駝背大馬哈魚。后續可對通過的魚進行分類，對大西洋鮭和駝背大馬哈魚分流處理。關愛殘障人士是包容社會的重要組成方面，通過數字化技術能幫助提高他們生活的舒適度和便利性。中國目前有 2700 多萬聽障人士，其中許多人使用手語作為其主要的交流形式。與其他手語語言一樣，中國手語學習面臨詞匯更新慢、師資短缺、標準難統一等挑戰，對此，千博信息基于華為昇思 MindSpore 和中國科學院自動化研究所紫東太初三模態大模型，帶來全新的手語產品，基于 1.2 萬+詞匯、50萬+語法、70萬+語料，形成手語多模態模型，打造手語教考一體機，開創性地實現

48、手語動作與視頻、圖片示意和文字說明聯動，使得手語學習能夠快速上手，一定程度上緩解了手語師資短缺問題。也能作為手語翻譯機使用，幫助聽障人士順暢溝通、便捷生活。7加速行業智能化白皮書1.2 行業智能化，多重挑戰猶存到 2030 年，人工智能有望顛覆制造、電力、能源、交通運輸等關鍵產業，撬動難以限量的經濟價值，若要把握這一機遇，須在多個維度進行能力建設。統籌點線面、系統推進的總體考慮下，重點圍繞核心技術、基礎軟硬件、數據資源體系、標準規范和行業應用示范等進行部署。1.2.1 傳統算力基礎設施難以匹配大模型創新需求AI 快速發展并在多行業落地，呈現出復雜化、多元化和巨量化的趨勢。不同的應用場景對算力的

49、要求不同，要評判算力基礎設施是否滿足需求，需要企業根據特定的AI技術場景和需求，綜合考慮算力基礎設施的性能與靈活易用性。大模型技術對于算力基礎設施的規模提出了更高的要求，企業傳統基礎設施面臨算力資源不足的挑戰。AI 大模型需要大算力，其訓練時長與模型的參數量、訓練數據量成正比。根據業界論文的理論推算，端到端大模型的理論訓練時間為 8*T*P/(n*X)。其中 T 為訓練數據的 token 數量，P 為模型參數量，n 為 AI 硬件卡數，X 為每塊卡的有效算力。以 ChatGPT為例，參數量為 175B（1750 億）規模下，在預訓練階段，數據量 35000 億，使用 8192 張卡，其訓練時長

50、為49天。同等條件下參數變多，計算量變大，按照業界的經驗，能達到可接受的訓練時長，需要百億參數百卡規模，千億參數千卡規模，萬億參數萬卡規模。這對算力資源的規模提出了極高的要求。算力不足意味著無法處理龐大的模型和數據量，也無法有效支撐高質量的大模型技術創新。1.2.2 基礎大模型難以適應行業智能化需求基礎大模型 L0 的構建，需要頂尖人才和巨額資金的持續投入，百模千態將以行業模型的形態為主。技術門檻高，基礎大模型的構建是復雜的端到端系統工程，是一個典型的復雜軟件平臺。資金投入大，GPT-4 訓練成本約 6千萬美金，推理成本將至少是訓練的 510 倍，達到數億美金/年。每個行業均有使用大模型的場景

51、，行業用戶及行業伙伴大多不具備從頭開發大模型的能力，為了獲得適配本行業的大模型，需要提供行業數據給基礎大模型進行微調訓練。數據是行業用戶的核心資產和競爭優勢的源泉，行業用戶部分關鍵敏感數據難以實現共享或者“出廠”，例如政務行業中涉及到城市發展、公共安全和個人隱私等方面的數據；金融行業中責權、債務關系相關的數據；制造業的資產明細、生產數據以及明確要求不可以出園區的數據等等，此時基礎大模型難以適應行業智能化需求。于是行業用戶將行業非敏感數據提供給基礎大模型供應商，形成行業大模型 L1，再結合場景數據在行業大模型 L1 基礎上形成場景大模型L2,以適應行業的需要。1.2.3 數據供給難以滿足大模型訓

52、練需求數據將是構建大模型競爭力的核心要素，行業先鋒都應該打造自身的數據飛輪。高價值、特定領域的工作流程，特別且必須依賴于豐富且高質量的專有數據集。8加速行業智能化白皮書從全球來看，高質量數據都在變得更稀缺。行業用戶重視數據集資產的構建和管理，但采集、存儲和管理海量數據，形成優質數據集的能力仍不足。從政府層面來看，當前缺少統籌共性數據集的建設服務，數據流通與共享機制不成熟，開放數據集“質”與“量”難保證，源頭數據的治理不充分，導致數據質量不高、共享不足。從企業內部來看，數據的實時采集受制于非數字化終端，數據的實時上傳受制于低速網絡，數據的實時分析受制于數據孤島，行業數據難采、難傳、難用，阻礙了行

53、業智能化的進程。1.2.4 法規監管難以保障智能化安全可信需求行業智能化后，行業信息化水平進一步提升，對信息系統的依賴加劇，減少人工干預后，被攻擊入侵后損失嚴重，對安全可信訴求更加強烈。行業智能化會導致信息系統更加復雜，構建安全可信的難度劇增。人工智能技術涉及的領域非常廣泛，其潛在的風險和危害也不容忽視，比如個人隱私保護、脫敏數據使用、數據泄露等，這些都需要根據合適的法律進行規范和監管。人工智能技術的發展也與社會倫理、安全等問題存在聯系，需要明確相關責任與義務等問題。因此需要更健全的人工智能法規和監管機制。1.2.5 人才儲備和生態難以支撐智能化轉型需求人才是人工智能競爭的關鍵，更是人工智能賦

54、能行業智能化的有效支撐。預計到 2025 年，中國ICT人才缺口將超過2000萬，其中云、人工智能、大數據等新興技術方面的人才尤其稀缺，此外既懂行業又懂技術的復合型人才也異常匱乏。人才儲備不足問題成為限制行業智能化轉型的瓶頸問題之一。各國都要建立完善的人工智能產業生態，如中國人工智能發展也存在很多生態建設方面的問題，包括產業界、學術界和行業用戶聯合進行基礎技術創新研究和應用氛圍不夠濃厚；行業數據未充分共享，限制了數據開發利用和數據價值深度挖掘；人工智能賦能千行萬業智能化建設標準化規范缺失等。要加速人工智能賦能行業智能化轉型，就必須加大人工智能人才儲備，進一步完善人工智能生態鏈，把企業的市場優勢

55、和數據優勢，轉化成人工智能的技術創新優勢和應用場景優勢，加速推動人工智能賦能千行萬業智能化轉型。9加速行業智能化白皮書2.1 行業智能化技術需求大型集團性企業往往具有眾多的所屬企業或組織，在集團之下，圍繞某類相似或關聯性業務成立區域（或領域）組織，統籌具體業務執行單位的生產與經營?？偨Y起來一般有總部、區域（或領域）、生產與經營單元 3 個層級。從構建企業智能化視角，生產經營單元包括邊緣、終端感知。如第一章所述，AI 大模型在加速行業智能化轉型。企業獲取大模型能力的途徑有以下幾種：一是，自行構建：企業可以自行組建研發團隊，進行大模型的研發和訓練。這需要企業具備強大的技術實力和資源投入，包括算力、

56、數據、人才等方面的支持。二是，合作伙伴：企業可以與專業的 AI 公司或研究機構合作，共同開發和訓練大模型。合作伙伴可以提供技術支持、算力資源、數據等方面的幫助，加速大模型的研發和應用。三是，云服務平臺：許多云服務第二章實現智能化轉型所需的參考架構10加速行業智能化白皮書提供商提供了強大的 AI 平臺和工具，企業可以通過訂閱這些平臺的服務，獲得大模型能力。這種方式可以節省企業的研發成本和時間，同時還能享受云服務提供商的技術支持和穩定性。四是，企業基于模式二三獲得的高階模型構建專屬的低階模型，如：L1 或者 L2 模型。模式四是當前行業客戶獲取大模型能力的主流。在模型構建過程中需要考慮訓練和推理兩

57、個方面。對于訓練，總部通常會統一構建共享的高階模型，需要建設大規格的 AI 算力。區域（或領域）根據自身特點基于總部的模型進行二次訓練，形成更符合自身業務需求的低階模型，需要建設較小規格的 AI 算力。對于推理，總部推理服務于全公司共享業務，包含為全公司服務的推理業務和為全公司服務的推理資源池，算力需求較大；區域（或領域）推理服務于區域（或領域）業務，算力需求較??；邊端側有大量的實時控制業務，需要就近部署推理算法以降低網絡時延，不同的現場需要適配不同的周邊系統和本地化業務流程，因此需要就近部署推理算法便于集成適配、減少聯動更新。邊端側推理服務范圍小，算力需求最小。綜上所述，兩級訓練三級推理是先

58、鋒企業的典型部署范式，如下圖 2-1 所示。圖 2-1 行業智能化兩級訓練三級推理的部署范式基于上述的范式，各企業可以根據自己的業務需求進行適配和裁剪。我們可以從算力集群化、算力系列化、高質量數據、應用快速迭代、高質量數據通信這 5 個方面來分析在 AI 大模型加速行業智能化背景下，企業對 ICT 基礎設施的需求。11加速行業智能化白皮書大規模參數的訓練呼喚大算力，需要集群來保障大規模、長期穩定、高可靠的算力供給。分層分級建設和部署大模型是各行業的基本要求，需要算力系列化適配各種業務場景。行業大模型的訓練和推理都需要高質量的行業數據來支撐。需要應用快速迭代降低開發門檻保障AI 落得實。需要高質

59、量的數據通信保障智能化各場景業務需求，保障 AI 用得好。2.1.1 算力集群化因為總部和區域（或領域）需要做模型訓練和推理資源池，有建設大規模 AI 算力的需求。單卡性能增長有限，想要增加性能，只有集群的模式滿足大算力的需求。AI 集群是個系統工程，需要兼顧計算、網絡、存儲等的跨域協同及優化，助力企業構筑高效協同的算力集群。AI 集群建設有如下 3 大技術需求：首先，需要大規模集群能力，并支持彈性擴展?？偛啃枰渴鸶唠A模型，不同的高階模型對算力要求不同，百億參數百張卡，千億參數千張卡，萬億參數萬張卡。其次，集群需要實現低時延、大帶寬、高可靠的網絡。訓練集群網絡的丟包率會極大影響算力效率，零丟

60、包是訓練集群網絡的基本要求。萬分之一丟包，算力降低 10%；千分之一丟包，算力降低 30%。面對千億、萬億參數規模的大模型訓練，僅僅是單次計算迭代內梯度同步需要的通信量就達到了百 GB 量級，此外還有各種并行模式、加速框架引入的通信需求，使得傳統低速網絡的帶寬遠遠無法支撐集群的高效計算。因此要充分發揮計算資源的強大算力，必須構建一個全新的高性能網絡底座，用高速網絡的大帶寬來助推整個集群計算的高效率。在大模型的訓練和推理中，集群間的多卡通訊頻繁，對時延敏感。以推理為例，多卡低時延通信挑戰：低時延推理需要采用多卡模型并行來分擔參數和 KV 緩存，提升等效的HBM 帶寬；Decoding 階段引入大

61、量小數據包 allreduce 集合通信；例如 GPT-3 175B，每個 token 需要 192 次 allreduce 通信，在BatchSize=1、FP16 計算精度下每次業務包僅為 24KB，對通信時延極其敏感。最后，在存儲方面，大模型基于算力和數據驅動，通過高頻迭代學習，強化模型效果,需要實現大容量、高帶寬、高 IOPS、高可靠。需求一，大容量：參數規模大、單模態走向多模態，對存儲容量帶動數據存儲從服務器本地盤走向外置存儲，且要求按需擴展。需求二：高帶寬、高 IOPS：Checkpoint 模型數據集需要快速保存，需要大帶寬的存儲寫入能力；為保障訓練效率，需要加速加載海量小文件訓

62、練數據、減少 GPU 卡空載等待時間、提升算力利用率。需求三，高可靠：長時間訓練過程中，存儲的高可靠性直接影響模型參數的準確性和訓練效率。2.1.2 算力系列化基于前述的部署范式，企業總部需要構建共享的高階模型訓練和共享推理資源池，根據不同的業務需求需要使用 AI 算力集群、訓練服務器、推理服務器、訓推一體機來建設訓練中心和推理中心。比如自行構建萬億參數的大模型，需要萬卡級規模的 AI 算力集群；構建千億參數的大模型，需要千卡級規模的 AI 算力集群；基于預訓練的大模型構建百億參數的模型，需要百卡規模的 AI 算力集群。12加速行業智能化白皮書區域需要建設低階模型訓練和較小的推理算力，不同企業

63、區域業務規模、業務種類差異大，對算力需求差異大。需要使用 AI 算力集群、訓練服務器、推理服務器、訓推一體機來建設訓練中心和推理中心。比如總部構建的模型已覆蓋大部分業務，區域只需要針對差異化的業務基于總部預訓練的模型做差異化的訓練，訓推一體機即可滿足。邊端側算力需求小，同時有環境限制，需要使用不同規格的推理服務器、推理模塊、終端內嵌的推理算力幾種方式來滿足工業生產現場、野外、本安、工地等差異化的業務場景訴求。邊緣設備需要具備邊緣自治能力，實現邊端側業務自閉環。比如野外環境惡劣，在網絡中斷的情況下，需要提供可靠的本地 AI 推理能力、快速切換故障節點，保障業務不中斷。2.1.3 高質量數據數據將

64、是構建大模型競爭力的核心要素，高質量的行業數據尤為稀缺，從企業外部采購數據成本高，行業先鋒都需要打造自已的數據飛輪，將海量數據采集好、管理好，支撐行業智能化。行業大模型的訓練和推理都需要高質量的行業數據來支撐。訓練、推理數據不單有 IT 數據，還有 OT 數據，OT 數據是指由操作技術（Operational Technology）產生的數據，包括來自工業控制系統、物聯網設備、傳感器和其他 OT 設備的數據。OT 數據的實時采集和管理為大模型提供高質量的數據集，驅動“數據-模型-應用”飛輪，讓模型更好用。高質量的數據需要統籌規劃感知、存儲、網絡、數據治理、數據安全，需要做好整個系統的頂層設計和

65、各個子系統的協同。有5大技術需求：首先，需要感知層全面采集 OT 數據和接收任務命令。在 OT 數據的采集和上傳上，行業的傳感器、儀表和設備數字化和智能化參差不齊，普遍存在智能化和智能化改造的訴求：一些儀表還是機械式、模擬式儀表，無法提供智能化輸出；OT現場設備聯網的挑戰是“有線聯網難、無線聯網慢”，導致 OT 設備聯網率很低，即使是一些已經聯網的儀表、傳感器，也僅僅支持本地互聯，感知數據僅用于有限場景，在本地經過處理的結果向上級系統提供，原始的感知數據不上傳；一些設備（儀表、傳感器)對外連接七國八制，集成復雜，可用性低，導致數據無法及時、全量上傳，數據采集時間無法對齊，數據無法支撐智能 AI

66、 訓練；需要智能化的終端，通過智聯操作系統，將協議復雜、系統孤立的終端有機協同起來，實現對同一感知對象的聯動感知能力，做到“一碰傳、自動報”，以滿足更加復雜、高精度、高速度、智能化和協同的作業要求。其次，需要大容量、支持訪問協議多樣化的存儲。OT 數據量大，文件格式多樣，訓練前需要從跨域多系統將大量的 OT 樣本數據上傳到模型訓練中心，對存儲要求高。需要存儲提供大容量、支持從跨域多數據源拷貝 PB 級原始數據以及訪問協議多樣化。再次，構建 IT 與 OT 融合的扁平化工業網絡對于工業企業而言意義非凡，將真正實現“數據上得來、算力下得去、上下游貫通”。數據上得來：數據“逐層上送”的過程中，每一層

67、的數據傳遞過程都存在較多的數據信息損失，因此工業企業需要打破層級壁壘，解決跨系統數據流轉難問題，實現數據直采。算力下得去：算力下沉至邊緣/端側，讓工業數據與 AI、算力相融合，幫助工業企業實現 AI 質檢、智能排產、工藝優化等創新應用。上下游貫通：通13加速行業智能化白皮書過生產現場進度與客戶實時共享、產品設計方案與合作伙伴共享等上下游的連接和協同，幫助工業企業與客戶、合作伙伴之間建立更緊密、更堅固的紐帶。第四，工業企業需要有效的數據治理，提供高質量的數據，支撐大模型訓練。IT 數據需要從源頭治理，制定數據標準，從應用規范、應用產生開始治理，保障數據“優生”。傳統數據治理主要用于大數據業務，智

68、能化時代數據治理將為模型的訓練和推理服務，因此數據治理需要與AI打通。數據還需要進一步外溢和延展，比如：企業的數據從局限于自身內部轉變為企業間數據協同、流通、共享與交易，便于在上下游和產業間形成協同、在企業間和產業內形成數據交易、數據經濟和數據市場。最后，數據安全作為數據價值化的基石，對于保障商業秘密、企業數據主權，確保數據使用合規至關重要。為此工業企業需要構建事前預防、事中預警、事后追溯的全套數據安全能力，讓數據使用更安全。2.1.4 應用快速迭代隨著 AI 技術的發展、智能化應用的深入，應用場景變得更多元、更復雜。每個行業的應用場景都有成百上千，每個子場景對 AI 模型的泛化性要求不同，在

69、特定的場景，需要對 AI模型進一步優化和重構，以適應生產環境。比如：在工業場景下，有工業質檢、安全巡檢等應用，質檢子場景中生產線要適配不同的訂單，生產的零部件千差萬別，安全巡檢子場景中巡檢區域可能地形復雜多樣并且自然環境惡劣。在交通場景下，包含若干細分的子場景，以公路子場景交通擁堵治理來說，每一個區域（車輛數、擁堵點、停車場、周邊路網承載力），每一個路口（全時、全域、全要素狀態、事件、行為），每一輛車（出行、時間、地點、路線）情況和需求不盡相同，復雜多變。這些多元復雜的場景，都提出了對 AI 的需求，在將 AI 應用于這些場景過程中，即使有自動化程度很高的工具，在傳統的 AI 模型開發模式下，

70、也不得不逐個定制開發，如同作坊式開發，投入人力多，開發周期長，再加上 AI 人才供給不足，導致 AI 算法開發產能不能滿足行業智能化的需要。大模型為解決這類問題提供了很好的方案。有了預先訓練好的大模型，每個場景化 AI 開發，都不必再從 0 開始，而是基于大模型做增強訓練，并自動化抽取出適合該場景部署的小模型，開發周期從月級縮短為天級，相對于以前的作坊式開發，AI 工業化開發效率可以提升 10100 倍，實現了 AI 模型從作坊式開發到工業化開發的轉變。但這樣的開發效率需要高效的開發工具鏈支撐，需要做到針對不同業務場景需求，快速響應、動態按需適配，實現從需求到智能化應用的快速迭代、敏捷應用短閉

71、環。具體來說，智能化應用的開發工具鏈需要滿足以下 4 個關鍵需求：首先需要大模型增強訓練敏捷化，減少開發的中間環節，讓應用的使用者參與到模型的構建中來，實現全民參與，貢獻行業經驗，加速 AI算法的創新和孵化。模型開發工具鏈要能夠支撐從數據標注、模型選擇、模型訓練、模型評估、模型部署到結果反饋全流程高效作業，降低開發門檻。其次需要應用開發敏捷化，從傳統的“瀑布式”開發走向敏捷式開發，支持低代碼、零代碼開發，讓業務人員可以直接參與開發。打通應用14加速行業智能化白皮書和 AI 開發工具，實現應用對 AI 算法的調用，使智能化應用的上線周期從月級跨越到天級，讓應用開發更加友好、簡單。再次需要數據與

72、AI 融合，打通數據庫、湖、倉和 AI 開發平臺之間的互訪，讓數據在多個引擎間能夠高效流轉，實現一站式的DataOps與MLOps，最終通過將數據和AI的能力整合，加速模型開發。最后，通過將 AI 引入開發過程，提供代碼和測試用例的智能生成、代碼解釋和代碼翻譯的智能交互問答、需求獲取和代碼提交的智能協同，大幅提升開發效率。2.1.5 高質量數據通信海量數據是基礎大模型訓練、行業場景模型二次訓練、模型持續迭代進化的“養料”，也是無所不在的推理交互的輸入輸出。隨著 AI 訓練、推理走向“工業化開發、規?；瘧谩?，訓練集群內部需要高效數據通信，兩級訓練三級推理部署范式之間的持續迭代需要高效數據通信，

73、數據采集與推理服務器之間也需要高效數據通信。從總部到區域/領域、從區域/領域到邊端，海量訓練樣本數據上傳、模型推送與訓練迭代、無所不在的推理交互，都需要高質量的廣域數據通信網絡。以自動駕駛模型訓練為例，每天有 1TB 的樣本數據需要上傳到提供訓練服務的數據中心，突發帶寬高、潮汐效應明顯，需要 10GE 接入、400GE 匯聚的高速數據通信；訓練生成的模型文件下推，需要廣覆蓋、大帶寬、任務式的彈性數據通信，靈活建立聯接；千萬應用場景的實時推理交互，需要低時延、高可靠、高并發的低時延數據通信；為了提升投資效率，我們需要在一張數據通信網絡同時支持多種應用，既要滿足傳統應用“萬物智聯”的要求，也要滿足

74、 AI 時代“萬智互聯、萬數智算”的要求。為此，我們需要引入超融合以太(HCE)、IPv6+、自動駕駛網絡(ADN)等創新技術，打造新一代數據通信網絡，面向行業智能化提供彈性超寬、智能無損、自智自馭的數據通信基礎設施。行業智能化基礎設施的可持續發展，還需要考慮數據中心的異地容災、東數西算、協同計算，這就需要引入網絡切片、OXC、網絡數字地圖等技術，打造超大容量極低時延、應用感知體驗保障、算網融合智能無損的 IP 骨干網絡、OTN 骨干網絡，實現跨地域的實時算力調度、極速數據運送、高效協同計算。與此同時，數據通信的安全至關重要。行業智能化時代，數據流量持續增長，加密威脅持續增加，我們需要高性能、

75、高彈性、高效攔截加密威脅的網絡安全解決方案，為行業智能化保駕護航。行業智能化時代，新一代高運力數據通信網絡從“萬物智聯”走向“萬智互聯、萬數智算”，成為萬物智聯、彈性超寬、智能無損、自智自馭的關鍵基礎設施。15加速行業智能化白皮書2.2 行業智能化參考架構企業智能化轉型是一個長期的、循序漸進的過程，如何選擇轉型道路、如何分層分級建設智能化ICT 基礎設施，將成為智能化轉型的關鍵，需要有一個明確的指導思想來引領轉型過程，在不同的階段做出匹配的選擇，避免走彎路、走錯路，提升轉型的效率?；谠诔鞘?、金融、交通、制造等20 多個行業智能化實踐過程中的總結，華為提出具備分層開放、體系協同、敏捷高效、安全

76、可信等特征的，全行業通用的行業智能化參考架構，聯合行業伙伴共同構筑行業智能化的基礎設施，使能百模千態的 AI 大模型，加速千行萬業走向智能化。2.2.1 行業智能化參考架構圖 2-2 行業智能化參考架構16加速行業智能化白皮書行業智能化參考架構是系統化的架構，它包含智能感知、智能聯接、智能底座、智能平臺、AI 大模型、千行萬業等六層。這六層之間不是獨立的，而是相互協同的，就像人體一樣，能感知、會思考、可進化、有溫度，共同服務于千行萬業的智能化發展。行業智能化參考架構是一個面向全行業的、能夠服務不同智能化階段的參考架構，通過分層分級建設，選取合適的技術能力和產品，提升企業的智能化水平。它有四個特

77、點：協同、開放、敏捷、可信。協同：大模型時代，智能化產業的上下游產業多，產品能力復雜，需要各從業企業基于行業智能化參考架構來構建產品和能力，相互之間協同以形成合力，共同完成智能化體系的建設。各個行業的企業之間也需要協同，共同構筑有競爭力的基礎大模型、行業大模型，服務于行業的智能化發展。企業內在智能化過程中通過云、管、邊、端的協同，業務信息實時同步，提升業務的處理效率；并通過應用、數據、AI 的協同，打通組織鴻溝，使能業務場景全面智能化。開放：行業智能化發展是一個龐大的工程，需要眾多的企業共同參與，以開放的架構助力行業智能化發展：通過算力開放，以豐富的框架能力支持各類大模型的開發，形成百模千態；

78、通過感知開放，接入并打通品類豐富的感知設備，實現萬物智聯；通過模型開放，匹配千行萬業的應用場景，實現行業智能。敏捷：企業在智能化的過程中，可按照業務需要靈活匹配合適的 ICT 資源，并通過豐富、成熟的開發工具和框架構筑智能化業務，讓業務人員直接參與智能化業務的開發，快速上線智慧應用?？尚牛浩髽I的智能化系統必須是可信的，在系統安全性、韌性、隱私性、人身和環境安全性、可靠性、可用性等方面全面構筑可信賴的能力，并從文化、流程、技術三個層面確保在各場景中落地；企業智能化應用的運行過程必須是可信的，可追溯、防篡改，避免受到外部的惡意破壞。2.2.2 行業智能化參考架構分層解析2.2.2.1 智能感知智能

79、感知是物理世界與數字世界的紐帶，它基于品類豐富、泛在部署的終端設備，對傳統的感知能力進行智能化升級，構建一個無處不在的感知系統。智能感知具備多維泛在、開放互聯、智能交互、易用智維等特點。多維泛在智能化時代，需要對事物進行全方位的感知，才能獲取到完整、全面的信息，支撐后續的智能化業務處理。在感知時，通過雷達、視頻、溫度傳感、氣壓傳感、光纖感知等多種類型的感知設備從不同的維度獲取數據，進而匯總成為更全面的信息，支撐后續的智能分析和處置；同時，為了保證能夠獲取到準確且實時的信息，感知設備還需要貼近被感知的對象，并保持實時在線，充分獲取感知數據，實時上傳至處理節點，形成無處不在的感知。開放互聯行業里各

80、類感知終端種類繁多，協議七國八制導致數據難互通，難以支撐復雜的業務場景。因此，需要開放終端生態，通過鴻蒙或其它智聯操作系統，將協議復雜、系統孤立的終端有機協同起來，實現對同一感知對象的聯動感知能力，做到“一碰傳、自動報”。開放應用生態，ICT 技術與場景化深度融合，實現精細化治理。17加速行業智能化白皮書 智能交互隨著各類智能終端的廣泛應用，人與人之間、人與設備之間的協同也越來越廣泛，視頻會議、遠程協作等交互場景在行業應用中得到了很大的推廣。通過云邊協同、AI 大模型等技術的應用，極大地提升設備認知與理解能力，實現軟件、數據和 AI 算法在云邊端自由流動，并通過包含智聯操作系統的終端設備，基于

81、對感知數據的處理結果，在物理世界中進行響應處理，實現智能的交互能力。易用智維行業的業務場景復雜，對感知的要求也有很大差異，感知設備有相當大的比例安裝在不易于部署維護的地點，如荒野、山頂、鐵路周界、建筑外圍等，其中一部分設備在獲取電力、網絡資源也存在一定的困難。因此，需要感知設備具備網算電一體集成、邊緣網關融合接入等能力，實現感知設備智簡部署、即插即用，智簡運維平臺和工具數字化、智能化，實現無人化、自動化的可視可管可維。智能感知層的關鍵技術和部件包括鴻蒙感知、多維感知、通感一體等。鴻蒙感知是以鴻蒙智聯操作系統為核心的智能終端系統，具備接入簡單，一插入網、一跳入云，安全性強等特點；多維感知是通過雷

82、視擬合、光視聯動等技術融合創新，提高全場景感知精準性；通感一體，通過有線和無線組合，實現無處不在、無時不在的感知。2.2.2.2 智能聯接行業智能化的場景復雜多樣，智能聯接用于智能終端和數據中心的聯接、數據中心之間的聯接、數據中心內部的聯接等，解決數據上傳、數據分發、模型訓練等問題。各種場景對聯接都有不同的要求。比如某個工業園區場景中智能終端和數據中心的聯接，AOI 機器視覺質檢要求實時推理交互，軟件包下載要求高峰值帶寬，視頻會議要求穩定帶寬，需要借助網絡切片保障不同流量的互不干擾。在數據中心中，AI 訓練集群網絡丟包率會極大影響算力效率，萬分之一的丟包率會導致算力降低 10%，而千分之一的丟

83、包率會導致算力降低 30%。因此，行業智能化需要萬物智聯、彈性超寬、智能無損、自智自馭的智能聯接。萬物智聯在行業智能化時代，種類繁多的感知終端（如：雷達、行業感知、光纖感知、溫度感知、氣壓感知等）都需要通過網絡自動上傳感知數據，以支撐各種類型的業務系統。數據上傳需要實時、準確，不能有丟失。智能聯接綜合采用5G-A、F5G Advanced、Wi-Fi 7、超融合以太(HCE)、IPv6+等多種網絡技術，推進全場景、全觸點、無縫覆蓋的泛在聯接，支撐數據采集匯聚，推進智能應用普及，為智能化參考架構的持續進化構筑萬物智聯的基礎。彈性超寬隨著行業智能化不斷發展，感知能力不斷豐富與增強，生成的業務信息量

84、也在極速增長，支撐大模型的訓練數據更加豐富完善，訓練出的模型更加精準；訓練出的模型也要迅速下發，推動業務處理更加智能。面向 PB 級樣本訓練數據上傳、TB 級大模型文件分發的突發性、周期性、超寬帶聯接需求，需要建設大帶寬、低時延、智能調度的網絡；基于時延地圖和帶寬地圖動態選擇最優路徑，實現極速推理和實時交互，為行業智能化參考架構打通“數據上得來、智能下得去”的持續進化循環。18加速行業智能化白皮書 智能無損面向超大規模AI集群互聯需求，以400GE/800GE超融合以太、網絡級負載均衡等技術實現大規模、高吞吐、零丟包、高可靠的智能無損計算互聯；智算數據中心網絡升級，以網強算，通過算、網、存深度

85、協同優化，支撐萬億級參數的模型訓練，讓智能化參考架構越來越智能。面向海量智能感知終端連云入算、AI 助理以云助端等場景，基于網絡大模型(NLM)實現智能感知應用類型、智能優化聯接體驗、智能保障網絡質量，為極速推理、協同工作、音視頻會議等各種應用提供智能無損的高品質聯接，讓智能持續進化，服務更多的生產、生活場景。自智自馭基于網絡大模型識別應用與終端類型，準確生成配置與仿真驗證、準確預測故障與安全風險，并實現網絡零中斷（智能預測網絡擁塞準確率99.9%）、安全零事故（智能預測未知威脅）、體驗零卡頓（智能識別應用類型并保障體驗），加速網絡自動駕駛向 L4 級邁進，實現網絡的自智自馭，提升智能化參考架

86、構的整體運轉效率。智能聯接的主要涉及到接入網絡、廣域網絡、數據中心網絡，其技術特征有：接入網絡：承擔著感知設備的接入及匯聚到數據中心網絡或廣域網絡的職責。接入網絡通過5G-A、F5G Advanced、Wi-Fi 7、超融合以太(HCE)、IPv6+等技術，實現穩定、可靠、低時延的感知設備接入；同時，接入網絡還承載著多種業務類型，比如實時業務處理、訓練數據采集與上傳、推理模型下發至邊緣計算節點等，需要接入網絡能夠根據業務類型分別設置網絡資源，為不同的業務數據設置不同的資源優先級。廣域網絡：具備多分支機構的大型企業存在大量的數據跨分支機構互傳的場景，如訓練數據上傳、算法模型下發、業務應用下發、業

87、務數據傳輸等，相應的需要在分支機構之間提供穩定、大帶寬的廣域網絡。企業可根據自身的實際情況，選擇租用運營商網絡或自建廣域網絡的方式，獲取穩定、可靠、高帶寬的多分支機構間的網絡聯接能力。數據中心網絡：隨著 AI 大模型的興起，大模型訓練成為數據中心的一個重要職責，其超大規模的數據分析對數據中心的網絡也帶來了新的挑戰，傳統的基于計算機總線的數據中心網絡技術已無法滿足大模型訓練的要求。因此，數據中心網絡需要新的網絡架構，能夠打通各協議間的壁壘，“內存訪問”直達存儲和設備；并統一芯片側高速接口，打破“帶寬墻”，使能端口復用。數據中心的業務類型也是多樣的，例如在大模型訓練時就存在參數面、業務面、存儲面等

88、網絡平面，需要能夠按照業務類型建立網絡平面，并相互隔離。2.2.2.3 智能底座智能底座提供大規模 AI 算力、海量存儲及并行計算框架，支撐大模型訓練，提升訓練效率，提供高性能的存算網協同。根據場景需求不同，提供系列化的算力能力。適應不同場景，提供系列化、分層、友好的開放能力。另外，智能底座層還包含品類多樣的邊緣計算設備，支撐邊緣推理和數據分析等業務場景。智能底座層具備算能高效、開放繁榮、長穩可靠、算網協同等特點，以更好地支撐行業智能化。算能高效隨著大模型訓練的參數規模不斷增長、訓練數19加速行業智能化白皮書據集不斷增大，大模型訓練過程中需要的硬件資源越來越多、時間也越來越長。需要通過硬件調度

89、、軟件編譯優化等方式，實現最優的能力封裝，為大模型的訓練加速，提升算能的利用率。同時，針對基礎大模型、行業大模型、場景大模型的訓練算力需求，以及中心推理、邊緣推理的算力需求，提供系列化的訓練及推理算力基礎設施配置，根據業務場景按需選擇，確保資源價值得到最大化的利用。在數據存儲方面，閃存技術具備高速讀寫能力和低延遲特性，并伴隨著其堆疊層數與顆粒類型方面突破，帶來成本的持續走低，使其成為處理 AI大模型的理想選擇。通過全局的數據可視、跨域跨系統的數據按需調度，實現業務無感、業務性能無損的數據最優排布，滿足來自多個源頭的價值數據快速歸集和流動，以提升海量復雜數據的管理效率，直接減少 AI 訓練端到端

90、周期。開放繁榮不同場景、不同類型的大模型，根據大模型的參數規模、數據量規模，需要的算力有著很大的差異；在推理場景，中心推理和邊緣推理對算力的要求也不一樣。行業用戶可以根據實際業務場景選擇不同的模組、板卡、整機、集群，獲取匹配的算力；并可在品類豐富的開源操作系統、數據庫、框架、開發工具等軟件中進行選擇，屏蔽不同硬件體系產品的差異，幫助用戶在繁榮的生態中選擇合適的產品和能力，共同形成行業智能化的底座。長穩可靠大模型業務場景下，一次模型訓練往往要耗費數天甚至數月的時間，如果中間出現異常，將會有大量的工作成果被浪費，耗費寶貴的時間和計算資源。為減少異常導致的訓練中斷、資源浪費，要保證訓練集群長期穩定，

91、提升集群的穩定性；同時，在出現極端情況時，可以使用過程數據恢復訓練，降低因外部因素帶來的影響。算網協同隨著大模型的參數數量、訓練數據規模不斷增長，模型訓練所消耗的時間也不斷增加，逐漸變得不可接受。傳統的計算機總線+網絡的數據傳輸方式已成為瓶頸，難以繼續提升效率。因此，我們需要算網協同的傳輸架構，提升數據的傳輸效率和模型訓練速度。同時，網絡需要參與計算，減少計算節點交互次數，提升 AI訓練性能。同樣，在大模型訓練過程中，數據在存儲、內存、CPU間移動，占用大量的計算和網絡資源。為減少這些資源占用，需要存算協同架構，通過近存計算、以存強算的能力，讓數據在存儲側完成部分處理，將算力卸載下沉進存儲實現

92、隨路計算，減少對 AI 計算能力的占用。智能底座的主要技術特征有：計算能力：簡稱算力，實現的核心是 GPU/NPU、CPU、FPGA、ASIC 等 各 類 計 算 芯片，以及對應的計算架構。AI 算力主要以 GPU/NPU 服務器為主。算力由計算機、服務器、高性能計算集群和各類智能終端等承載。算力需要支持系列化部署，訓練需要支撐不同規格（萬卡、千卡、百卡等）的訓練集群、邊緣訓練服務器；推理需要支持云上推理、邊緣推理、高性價比板卡、模組和套件。并行計算架構需要北向支持業界主流AI框架，南向支持系列化芯片的硬件差異，通過軟硬協同，充分釋放硬件的澎湃算力。數據存儲：復雜多樣的業務場景，帶來了復雜多樣

93、的數據類型。數據存儲需對不同類型的數20加速行業智能化白皮書據，通過全閃存存儲、全對稱分布式架構等技術手段，為不同的業務場景提供海量、穩定高性能和極低時延的數據存儲服務；為特定業務場景提供專屬數據訪問能力，如直通 GPU/NPU 縮短訓練數據加載時間至 ms 級；并具備數據的備份恢復機制，以及防勒索機制等安全能力，確保數據的安全、可用。操作系統：操作系統對上層應用，要屏蔽不同硬件的差異，提供統一的接口，要完成不同硬件的兼容適配，提供良好的兼容性，為應用軟件的部署提供盡可能的便利；針對不同的硬件的特征，操作系統需要針對性的優化，確保能充分發揮硬件的能力；在多 CPU、CPU 和GPU、NPU 協

94、同的情景下，操作系統如何協調調度，也是一個關鍵的能力。數據庫：海量、格式多樣的數據，追求極致的業務性能，對數據庫也帶來了新的挑戰。為了適應業務的變化，數據庫需要高性能，海量數據管理，并提供大規模并發訪問能力；高可擴展性、高可靠性、高可用性、高安全性、極速備份與恢復能力，都是對數據庫的基本要求。云基礎服務：智能底座上運行的各種應用、服務，在不同的時間段對應的業務量是有差異的，為了合理利用智能底座的硬件資源，智能底座通過虛擬化、容器化、彈性伸縮、SDN 等技術，對外提供云基礎服務能力，提升資源的利用效率。2.2.2.4 智能平臺在海量的數據從感知層生成、經過聯接層的運輸，匯聚到智能平臺，通過數據治

95、理與開發、模型開發與訓練，積累行業經驗，最終服務智能應用的構建。智能平臺具備智簡創新、敏捷高效、極致體驗等特點，理解數據、驅動 AI，支撐基于 AI 大模型的智慧應用的快速開發和部署，使能行業智能化。智簡創新圍繞軟件、數據治理、模型、數字內容等生產線能力，提供一系列的開發使能工具，并通過數據、AI、應用的協同，讓智慧應用的構建更高效、更便捷；讓行業應用的創新更簡單、更智能。敏捷高效智能化的開發生產線能力，為業務人員提供了多樣化的業務開發方式選項；強大的 DevOps能力讓業務迭代開發過程更敏捷，一鍵發布能力讓業務上線速度更快，效率更高。極致體驗具備簡單易用的低代碼、零代碼業務配置能力，開發門檻

96、低，業務人員可以直接參與到模型開發、數據治理、應用開發中；為不同的用戶提供個性化的操作界面，提升使用者的體驗。智能平臺層的主要技術特征包括數據治理生產線、AI 開發生產線、軟件開發生產線以及數字內容生產線。智能平臺支持 AI 模型在不同框架以及不同技術領域的開發和大規模訓練。數據治理生產線：核心是從數據的集成、開發、治理到數據應用消費的全生命周期智能管理。一站式實現從數據入湖、數據準備、數據質量、到數據應用等全流程的數據治理，同時融合智能化治理能力，幫助數據開發者大幅提升效率。模型開發生產線：是 AI 開發的一站式平臺。提供從算力資源調度、AI 業務編排、AI 資產管理以及AI應用部署，提供數

97、據處理、算法開發、21加速行業智能化白皮書模型訓練、模型管理、模型部署等 AI 應用開發全流程技術能力。同時，AI 應用開發框架，屏蔽掉底層軟硬件差異，實現AI應用一次開發、全場景部署，縮短跨平臺開發適配周期，并提升推理性能。軟件開發生產線：提供一站式開發運維能力，面向應用全生命周期，打通需求、開發、測試、部署等全流程。提供全代碼、低代碼和零代碼等各種開發模式。面向各類業務場景提供一體化開發體驗。數字內容生產線：提供 2D、3D 數字內容開發，應用開發和實時互動框架。根據用戶需求，生成服務，如數字人等。使用者無需專業設備，即可使用的內容生產工具。2.2.2.5 AI 大模型AI 大模型分為三層

98、，即基礎大模型、行業大模型、場景模型?；A大模型（L0），提供通用基礎能力，主要在海量數據上抽取知識學習通用表達，一般由業界的 L0 大模型供應商提供；行業大模型（L1），是基于 L0 基礎大模型，結合行業知識構建，利用特定行業數據，面向具體行業的預訓練大模型，無監督自主學習了該行業的海量知識，一般由行業頭部企業構建；場景大模型（L2）指面向更加細分場景的推理模型，是實際場景部署模型，是通過 L1 模型生產出來的滿足部署的各種模型。AI 大模型在發展過程中呈現出了行業重塑、持續演進、開放共建等特點。行業重塑AI 大模型疊加行業場景，賦予行業場景更智能的處理能力，提升業務效率，降低企業成本，促進

99、行業創新，為行業的發展注入新的生命力，重塑行業的智能化進程。持續演進行業場景使用大模型提升業務效率的同時，也會產生大量的業務數據，這些數據再對大模型進行訓練，讓大模型的能力越來越強大，推理越來越準確，成為行業智能化的有力支撐。開放共建行業客戶與大模型供應商共同打造多樣化多層級的大模型，構筑滿足各類場景各種需要的大模型，為不同行業場景提供多樣化的選擇，服務行業智能化發展。大模型聚焦行業，從L0、L1到L2，遵從由“通”到“?！钡姆謱蛹壞Ｊ?，可實現從L0通用模型到L1行業模型再到L2專用模型的快速開發流程。在建設大模型體系時，要依照企業的規模、能力、組織結構和需求因地制宜，層層落實，要充分考慮云網

100、邊端協同、網算存的協同，讓AI 上行下達。大模型可以分層分級建設，從L0 到 L1，再到 L2，不斷的有行業數據加入來提升模型的訓練效果，同時也需要模型壓縮來節約推理資源。模型壓縮是實現大模型小型化的關鍵技術，大模型通過壓縮技術可以達到1020 x 參數量級壓縮，使千億模型單卡推理成為可能，節省推理成本；同時，模型壓縮降低計算復雜度，提升推理性能。在實際應用中，需要結合業務場景變化，迭代演進 AI 大模型能力，邊學邊用，越用越好。對于 NLP 大模型，可以結合自監督訓練方式，進行二次訓練，不斷補充行業知識；在具體任務場景下，可以使用有監督訓練方法進行微調，22加速行業智能化白皮書2.3 華為行

101、業智能化技術實踐快速獲得需要達到的效果；進一步的，可以基于自有訓練后的模型，進行強化學習，獲得更出色的模型。對于 CV 大模型，企業/行業用戶，可以結合自有行業數據，進行二次訓練，迭代獲得適配與自身行業的 L1 預訓練大模型；同時，在具體細分場景上，可以提供小樣本，基于行業預訓練的L1 模型進行微調，快速獲得適配自身業務的迭代模型，小樣本量，迭代也更快速。大模型的三級模型之間可以交互優化。L0 模型可以為 L1 模型提供初始化加速收斂，L1 可以通過模型抽取蒸餾產生更強的 L2 模型，L2 也能夠在實際問題中通過積累難例數據或者行業經驗反哺 L1。2.2.2.6 智賦萬業千行萬業的智慧應用是行

102、業智能化參考架構的價值呈現，每個個體所能感受到的個性化、主動化服務體驗都來自應用。智慧應用的發展關鍵是探索可落地場景，對準其痛點，通過 ICT 技術和行業/場景 AI大模型的結合，快速創造價值。所有這些場景匯聚起來，便能涓滴成河，逐步完成全場景智慧的宏偉藍圖。行業智能化參考架構為行業的智能化發展提供了一條有效的道路，華為依托行業智能化參考架構，疊加多年的行業智能化實踐，打造了一系列的智能感知、智能聯接、智能底座等硬件能力，一系列的模型使能工具，并發布了盤古大模型，以開放的心態擁抱行業伙伴，共同構筑智能化的未來。2.3.1 智能感知在智能感知領域，華為推出了雷達、光纖傳感以及軟件定義攝像機等感知

103、產品，并結合不同感知設備特點進行組合，實現了光視聯動智能感知和雷視擬合智能感知。2.3.1.1 光視聯動智能感知華為通過組合光纖傳感、軟件定義攝像機兩大感知產品，實現光視聯動智能感知，具有全覆蓋，低漏報，全天候，少誤報的優勢。分布式光纖傳感振動探測產品 OptiXsense EF3000 采用華為獨有的低噪聲相干接收系統和高性能 oDSP 算法，對微弱信號引起的光纖細微拉伸有極高的檢測靈敏度，檢測形變量達到頭發直徑的三十萬分之一；同時結合了華為獨有的超高分辨率采樣技術和大尺度線性探測技術，無論是強信號還是弱信號都能真實還原，動態范圍大。在鐵路、機場、油氣管線等重要行業中，關鍵場地、設施等防范是

104、安全的重中之重，天然存在周界防護的剛性要求。針對相關場景，華為基于光視聯動智能感知能力打造周界防護站方案，通過對抗模型的細節特征提取，對入侵行為和干擾行為的細節差異進行識別，并基于環境感知網絡的全局性特征提取網絡，對環境全局特征進行提取。將環境特征與細節特征融合，再通過全域態勢判決將信號區分為入侵和干擾。將告警準確率提升 90%，普通單事件檢測算法誤報率為 10 次/公里天，IDF-AD 支23加速行業智能化白皮書持誤報率降低至1次/公里天，提供“全覆蓋、全天候、全智能”的防護監測能力，實現無人化巡檢防護。2.3.1.2 雷視擬合智能感知華為通過組合雷達、軟件定義攝像機兩大感知產品，實現智能感

105、知雷視擬合。華為ASN850 毫米波感知雷達，采用華為先進的5G massive MIMO 大規模天線陣列和超分辨率算法；自研高清攝像機結合昇騰計算卡、墨子鏡頭、燭龍傳感器等，支持 4K 小目標檢測。以智慧高速建設場景為例，通過超遠探測和雷視擬合技術，使得感知距離擴大到 1000 米，針對彎道等特殊場景采用視場動態增強技術，整體同比業界方案可減少25%桿站建設成本。2.3.1.3 鴻蒙感知鴻蒙系統，是基于微內核的全場景分布式 OS，可按需擴展，實現更廣泛的系統安全。鴻蒙系統擁有分布架構、內核安全、生態共享、運行流暢四大優勢。鴻蒙系統可實現全場景，統一內核，相比于傳統“物聯感知終端操作系統”碎片

106、化，系統割裂，鴻蒙系統基于一套操作系統靈活組裝，實現設備系統歸一,無論設備大小，只需要一個操作系統；鴻蒙系統采用分布式軟總線技術實現不同領域感知設備之間近場感知、自發現、自組網，完成無感連接，多個感知設備自動協同宛如一個物理設備，可以提供任務在多個感知設備上的一致體驗感。鴻蒙已經在城市、礦業、電力、公路等行業應用。構建形成統籌規范、泛在有序、標準統一、互聯互通的感知體系，促進感知終端的共建共享，提升感知數據匯通共用水平。華為于 2021 年將鴻蒙系統 L0 到 L2 層面的代碼全部捐獻給開放原子開源基金會。目前開源鴻蒙項目群擁有多位捐贈人，生態快速成熟壯大。2.3.2 智能聯接華為提供萬兆園區

107、網絡、數據中心智算網絡、IP 廣 域 網 絡、網 絡 安 全 解 決 方 案，IntelligentRAN 網絡以及 F5G 智簡全光網，推進智聯萬物，加速網絡升級，實現以網強算，促進開放互聯，保障網絡安全。2.3.2.1 高品質萬兆園區網絡華為高品質萬兆園區網絡助力企業建設以體驗為中心的園區。Wi-Fi 7 和多速率交換機實現終端萬兆極速接入，音視頻體驗保障方案實現萬人園區視頻會議 0 卡頓，融合 AI、大數據和華為數十年網絡運維經驗的 NCE 園區網絡數字地圖，網絡開局效率提升 10 倍，故障定位效率提升 40 倍。華為已為比亞迪、蘇黎世聯邦理工學院等全球眾多知名客戶打造極致體驗的園區。在

108、 2022 年 Gartner 企業有線無線網絡基礎設施的魔力象限中，華為成功入選領導者象限。在企業分支場景，華為 SD-WAN 方案助力企業構建極簡組網，極簡運維的高品質分支網絡。華為超融合網關，1 臺頂 6 臺，實現分支極簡組網，提升部署運維效率 30%；企業業務上云加速，華為超融合云原生網關，NetEngine AR6700V 能夠實現彈性擴容最大到 200G，性能升級業務不中斷，助力企業高品質上云。華為 SD-WAN 方案在中國石化等全球眾多知名客戶部署，良好的交付品質及口碑幫助華為連續 3 年贏得 Gartner“客戶之選”。24加速行業智能化白皮書2.3.2.2 華為星河 AI 智

109、算網絡AI 大模型依賴大規模集群互聯，需要數據中心提供高性能、高可靠、可運維、大規模的開放網絡作為支撐。華為星河 AI 智算網絡基于超融合以太技術，實現網絡智能無損 0 丟包；同時，通過網絡級負載均衡 NSLB 算法，以網強算，實現 AI 訓練網絡吞吐大幅提升至 98%；武漢人工智能計算中心是首個面向產業的人工智能計算中心，選用華為網絡、計算、云、存儲端到端解決方案，首期建設了 100P AI FLOPS算力的智算網絡；該項目對比測試中，在 MPI、Benchmark 等典型應用測試中，華為網絡性能與 IB 網絡整體基本持平，完全滿足業務的高性能需求。2.3.2.3 華為智能 IP 廣域網絡面

110、向海量訓練數據和模型文件高效傳遞，華為提供智能 IP 廣域網絡解決方案，以 IPv6+為技術基礎，實現流、應用、帶寬、時長等多維感知和彈性調度，大模型訓練數據和模型數據快遞化高效傳輸，效率提升百倍，解決企業訓推數據傳遞低帶寬等不起，高帶寬用不起的業務痛點。通過全業務路由器大緩存、抗突發的能力，滿足企業到各級訓練中心、推理中心的靈活接入、邊云協同的聯邦訓練的極致高吞吐數據傳遞，帶寬利用率最高達到 95%，逼近物理極限。作為智能煤礦建設的先行者，山西晉能控股集團寺河煤礦基于華為礦山融合 IP 工業網解決方案，建成全國領先的智能煤礦，極大提高了調配管理水平、生產效率及礦井安全性。2.3.2.4 華為

111、網絡安全解決方案人工智能融合到行業過程中，需要高效模型傳輸和海量數據訓練，華為基于可信網絡安全解決方案，在數據傳輸到 AI 算力網絡前進行安全防護，提供算力基礎設施的“非侵入”式的安全防護，實現高效算力和安全防護的平衡。其次華為安全提供訓練數據的脫敏、數據防泄漏等數據安全防護能力，實現敏感數據的安全防護。最后對于防護智能應用的終端和用戶，提供零信任安全防護能力，保證終端、人員可信接入，最小權限訪問業務資源，最大程度保障 AI 關鍵基礎設施的整體安全?！胺乔秩胧健狈烙軜嬙谌A為南方工廠等行業智能化先鋒企業進行了部署，已連續多年保障業務持續穩定運行，為業界樹立了標桿。2.3.2.5 華為 Inte

112、lligentRAN 網絡面向新業務的多樣化發展以及新站型新頻的引入帶來的無線網絡結構性挑戰，華為提供IntelligentRAN 解決方案，以數智感知、數字孿生、意圖開放、智能空口為技術基礎，實現對無線環境信息高精確感知、多維分析決策、意圖驅動人機交互以及高效空口信道測量的能力；無線大模型通過海量數據訓練特征學習，在閉環流程中形成認知與決策，有望將無線網絡真正推向意圖自適應的網絡級智能化高階水平。通過在多頻協同、宏微協同、網絡級節能、網絡故障預防預測、直播業務體驗保障等熱點場景引入智能化技術，滿足無線網絡極致節能體驗按需的網絡智優，故障預測預防主動排障的運維智簡，應用級確定性體驗保障的業務智

113、營，真正幫助運營商實現提質增收、降本提效。2.3.2.6 F5G 智簡全光網F5G 是第五代固定通信網絡，由歐洲電信標準協會(ETSI)定義，致力于從光纖到戶邁向光聯萬物。F5G 基于光纖通信技術，在增強超寬帶（eFBB）、全光聯接（FFC）和可保障品質體驗（GRE）三大場景已經取得巨大成功，并向綠色敏捷全光網（GAO）、實時韌性聯接25加速行業智能化白皮書（RRL）和光感知與可視化（OSV）三大全新應用場景演進。華為推出面向 AI 時代的 F5G 智簡全光網，包括行業生產網絡、園區網絡、工業網絡、地產前裝、周界防護等場景的創新產品和解決方案，為 AI 全面賦能行業打造堅實底座。在智慧辦公，F

114、5G 全光園區為企業打造綠色極簡的上云聯接，并實現高效的異地辦公與遠程溝通。在智能制造，全產業鏈信息高效流轉，與精密制造的自動化精準及遠程操控同樣依靠 F5G 技術所賦能的無損工業網絡。在智慧電力，F5G 技術為電力行業構建安全穩定可靠易演進運維的全光通信底座，賦能新型電力系統。在智慧醫院，F5G 一舉擺脫了傳統網絡在部署、運維和網絡性能上的劣勢，實現院區網絡多網合一，通過硬隔離方案滿足醫療信息系統安全等級保護要求，在確保傳輸網絡可靠性的同時，為診室、醫學影像、遠程診療等場景提供高效的數據傳輸和信息互聯。2.3.3 算力底座2.3.3.1 昇騰系列（AI 計算）華為致力于打造領先的、堅實的 A

115、I 算力底座，以系統級架構創新，突破規模算力瓶頸，使能百模千態的繁榮發展。華為昇騰 AI 產業生態，如下圖 2-3 所示。圖 2-3 華為昇騰 AI 產業生態華為昇騰 AI 產業生態，圍繞昇騰 AI 基礎軟硬件平臺（包括 Atlas 系列硬件、異構計算架構CANN、全場景 AI 框架昇思 MindSpore、昇騰應用使能 MindX 以及一站式開發平臺ModelArts 等）持續創新，釋放昇騰 AI 澎湃算力，性能保持業界領先。為向世界提供用得起、用得好、用得放心的普惠 AI，我們研發了昇騰系列板卡，作為華為人工智能解決方案的核心部分和關鍵支撐?；跁N騰系列，華為推出了 AI 訓練集群 Atl

116、as 900、AI 訓練服務器 Atlas 800、智能小站26加速行業智能化白皮書Atlas 500、AI 推理與訓練卡 Atlas 300 和 AI加速模塊 Atlas 200，完成了 Atlas 全系列產品布局，覆蓋云、邊、端全場景，面向訓練和推理提供強勁算力。華為的AI算力集群，支持萬億參數大模型訓練，具備超高穩定性，擁有創新超節點架構，超強性能，大模型訓練效率高的算力集群。首先，依托華為在網絡領域的長期能力積累，集群互聯采用了全新的華為星河 AI 智算交換機 CloudEngine XH16800，借助高密的400GE 端口能力，即可實現大規模 NPU 無收斂互聯。其次，超級集群 3

117、 倍提升斷點續訓性能，10倍提升穩定性。采用全互聯 AA 數據保護架構，獨創故障現場保存技術，和盤控協同的超高帶寬技術。針對萬億參數大模型訓練所特有的，PB 級的 CheckPoint 數據讀寫，分鐘級即可完成。斷點續訓恢復時間也縮短到分鐘級，恢復速度是業界的 3 倍。同時，通過將華為在通信領域積累的高可靠性系統工程能力引入到 AI集群，實現了器件級的故障預測、節點級精準液冷，萬卡集群的穩定性從天級提升到月級，提升 10 倍。再次，集群采用創新超節點架構，多卡通過總線互聯成一個 NPU。通過總線和 openEuler操作系統的協同，為大模型訓練提供充足內存，規避因內存不足所帶來的算力空耗現象。

118、最后，超強性能，大模型訓練效率高。通過華為獨有的網絡級負載均衡 NSLB 算法，在網絡硬件不變的情況下，集群內網絡吞吐率從 50%提升到 98%，性能提升 1 倍。華為堅持技術生態與商業生態雙輪驅動，發展昇騰 AI 產業。我們以開發者為核心，繁榮技術生態，以伙伴與客戶為核心，做厚商業生態。堅定踐行開放、開源的策略，進一步開放異構計算架構 CANN，全面兼容業界的算子、AI 框架、加速庫和主流大模型，以更加靈活的算子開發使能開發者業務創新，以共建、共享、共治，持續貢獻昇思開源社區，把昇思MindSpore 打造成支持大模型和科學智能等AI 創新的框架。2.3.3.2 OceanStor 存儲華為

119、推出的 OceanStor 系列是可大規模橫向擴展、彈性伸縮的數據中心級智能分布式存儲產品，通過系統軟件將存儲節點的本地存儲資源組織起來構建分布式存儲池，可向上層應用提供分布式文件存儲服務、分布式對象存儲服務、分布式大數據存儲服務與分布式塊存儲服務，以及豐富的業務功能和增值特性。借助華為數控分離架構的高性能存儲 OceanStor A800，實現數據流 I/O 直通，減免了 CPU 計算耗時，數據加載效率高。OceanStor系列存儲采用閃存技術加速大模型訓練：具備高速讀寫能力和低延遲特性，并伴隨著其堆疊層數與顆粒類型方面突破，帶來成本的持續走低，使其成為處理 AI 大模型的理想選擇。數據讀寫

120、性能的大幅提升，將減少計算、網絡等資源等待，加速大模型的上市與應用。據華為測算，以 GPT-3 采用 100PFlops算力下，當存儲的讀寫性能提升 30%，將優化計算側 30%的利用率，整體訓練時間縮短32%。OceanStor 系列存儲通過數據編織方案提升AI大模型協同分析效率：通過全局的數據可視、跨域跨系統的數據按需調度，實現業務無感、27加速行業智能化白皮書業務性能無損的數據最優排布，滿足來自多個源頭的價值數據快速歸集和流動，以提升海量復雜數據的管理效率，直接減少 AI 訓練端到端周期。華為存儲支持靈活開放：OceanStor 存儲軟件之上，可以集成第三方的 GPU 服務器、網絡節點以

121、及 AI 的平臺軟件。方便集成商自由、靈活的裝配他們的超融合節點。2.3.3.3 多種算力開放模式圖 2-4 多種算力供給模式華為致力于打造領先的、堅實的 AI 算力底座，提供多種算力供給模式，來滿足行業客戶的差異化需求。使能“百模千態”，加速千行萬業走向智能化。（1）裸算力模式，我們提供算力底座，包括智能感知、智能聯接和智能底座。通過直接提供領先昇騰 AI 算力，使能客戶和伙伴靈活打造差異化的算力平臺和 AI 服務。（2）多租戶模式，我們提供智能感知、智能聯接、智能底座和基礎云平臺，通過基礎算力+HCS/HCSO 基礎云平臺能力，方便客戶面向多租戶提供 AI 算力。（3）云算力模式，為不同租

122、戶提供疊加的DataArts 數據治理，ModelArts 一站式 AI 開發平臺，使能客戶快速進行大模型開發。（4）MaaS（Model as a Service）模 式，面向千行萬業的中小企業，提供開箱即用模型即服務，即 MaaS 模式，加速業務應用上線，快人一步。28加速行業智能化白皮書2.3.4 盤古大模型圖 2-5 盤古大模型架構2.3.4.1 盤古大模型盤古大模型達到千億級參數，相對于以前的作坊式開發，AI 工業化開發效率可以大幅提升，同時 AI 模型具備更佳的性能。盤古大模型分為三層，L0 基礎大模型，L1 行業大模型，L2 場景大模型。L0 層是盤古的基礎大模型，包括自然語言大

123、模型（NLP）、視覺大模型（CV）、多模態大模型、預測大模型、科學計算大模型，它們提供滿足行業場景的多種技能。L1 層是行業大模型，既可以提供使用行業公開數據訓練的行業通用大模型，包括政務，金融，制造，礦山，氣象等；也可以基于行業用戶的自有數據，在盤古的 L0 和 L1 上，為用戶訓練自己的專有大模型。L2 層是為企業提供更多細化場景的模型，更加專注于某個具體的應用場景或特定業務，為用戶提供開箱即用的模型服務。盤古 NLP 大模型可用于內容生成、內容理解等方面，并首次使用 Encoder-Decoder 架構，兼顧 NLP 大模型的理解能力和生成能力，保證了模型在不同系統中的嵌入靈活性。在下游

124、應用中，僅需少量樣本和可學習參數即可完成千億規模大模型的快速微調和下游適配。2019 年權威的中文語言理解評測基準 CLUE榜單中，盤古 NLP 大模型在總排行榜及分類、閱讀理解單項均排名第一，刷新三項榜單世界歷史紀錄；總排行榜得分 83.046，多項子任務得分業界領先,是目前最接近人類理解水平（85.61）的預訓練模型。盤古 CV 大模型可用于分類、分割、檢測方面，29加速行業智能化白皮書也是實現模型按需抽取的業界最大 CV 大模型，實現兼顧判別與生成能力?；谀Ｐ痛笮『瓦\行速度需求，自適應抽取不同規模模型，AI 應用開發快速落地。使用層次化語義對齊和語義調整算法，在淺層特征上獲得了更好的可

125、分離性，使小樣本學習的能力獲得了顯著提升，達到業界第一。盤古大模型賦能千行萬業，在礦山、氣象、藥物、分子、電力、海浪、金融等行業發布了L1 行業大模型。視覺大模型在煤礦運輸場景中，會有大塊煤、錨桿、鋼筋等異物堵塞皮帶。通過煤礦皮帶異物識別 API，可快速發現運輸皮帶上的異物，識別精度超過 98%，檢測效率提升 10100 倍，安全事故降低 90%，避免了停工停產帶來的巨大損失；在工業質檢上，可以在偏光片流水線上進行質檢；可以在鐵路 TFDS 的機車進行缺陷檢測；還可以做電力巡檢，無人機每天會拍攝海量的照片，快速篩選有缺陷的樣本，過去用幾十個小模型來做這一步，現在用一個統一的大模型能夠加快篩選過

126、程，提高篩選質檢質量。盤古氣象大模型，是全球首個精度超過傳統預報方式的 AI 模型。相關成果在國際頂級學術期刊Nature發表?？梢栽诿爰墪r間內完成全球未來 1 個小時到 7 天的天氣預報，精度超過傳統數字分析方法的同時預測速度提升 1 萬倍。盤古藥物分子大模型可以提高小分子合成物篩選速度，使過去數年的傳統藥物研發周期縮短至一個月以內，大幅提高研發效率。盤古制造大模型，實現大模型+求解器，助力數實融合，過去單產線制定器件分配計劃，往往要花費 3 個小時以上才能做齊 1 天的生產計劃。盤古制造大模型學習了華為產線上各種器件數據、業務流程及規則以后，能夠對業務需求進行準確的意圖理解，并調用天籌 A

127、I 求解器插件，1 分鐘即可做出未來 3 天的生產計劃。盤古大模型采用完全的分層解耦設計，可以快速適配、快速滿足行業的多變需求。企業既可以為自己的大模型加載獨立的數據集，也可以單獨升級模型。2.3.4.2 開放豐富的“開發生產線”華為提供了豐富的“生產線”，一系列的模型使能工具，使能伙伴共同開發，繁榮生態。華為數據治理生產線 DataArts 提供一站式數智融合的開發與治理，支持 40+數據源接入，10 萬+并發作業調度，全流程托拽式開發，全生命周期數據治理，幫助企業快速構建從數據接入到數據分析的端到端智能數據系統，消除數據孤島。模型開發生產線 ModelArts，是 AI 開發的一站式平臺。

128、ModelArts 持續構建大模型訓練、推理加速能力，從算力資源調度、AI 業務編排、AI 資產管理到 AI 應用部署，提供數據處理、算法開發、模型訓練、模型管理、模型部署等AI 應用開發全流程能力支撐。ModelArts 提供開放架構，聯合伙伴以第三方工具集成的方式，打造全流程工具鏈賦能各類 AI 開發場景。IDC報告顯示，華為云 ModelArts 蟬聯中國公有云機器學習市場 TOP1。軟 件 開 發 生 產 線 CodeArts，提 供 一 站 式DevSecOps 開發運維能力，面向應用全生命周期，打通需求、開發、測試、部署等全流程。同時，提供全代碼、輕代碼和低代碼等各種開發模式，支持

129、多種主流編程語言和開發框架，內置代碼檢查規則，支持千萬 TPS 的自動化測試并發請求。30加速行業智能化白皮書華為數字內容生產線 MetaStudio，提供 3D 數字內容開發，應用開發和實時互動框架。通過華為云 MetaStudio 數字內容生產線，各行業客戶都可以便捷地在云上生產數字內容、開發 3D 應用，打造虛擬演唱會、虛擬展會、辦公協作、工業數字孿生等 3D 虛擬空間，同時支撐海量用戶的實時互動，讓虛擬世界和現實世界無縫融合。31加速行業智能化白皮書加速智能化帶來新價值第二篇32第三章智能化使能企業生產3.1 智能制造制造業是國家經濟命脈所系，是立國之本、強國之基。國家經濟要以智能制造

130、為主攻方向推動產業技術變革和優化升級，推動制造業產業模式和企業形態根本性轉變，以“鼎新”帶動“革故”，以增量帶動存量，促進中國產業邁向全球價值鏈中高端。發改委等 8 部委在“十四五”智能制造發展規劃中明確提出，當前中國站在新一輪科技革命、產業變革與加快高質量發展的歷史性交匯點上，要堅定不移地以智能制造為主攻方向，推動產業技術變革和優化升級，加大對先進制造、精密制造、高端制造的投入。只有在數字33加速行業智能化白皮書化技術的加持下，企業才能在產品質量、生產效率、生產成本間進行有效平衡。到 2025 年，制造企業 70%以上要基本實現數字化，重點行業骨干企業初步形成智能化，建成 500 個智能制造

131、示范工廠。隨著新一代信息技術加速擁抱千行萬業，智能制造正在多領域多場景落地開花。最新的市場調研數據表明，人工智能在中國制造業呈現快速發展的趨勢，智能制造市場規模自 2019 年開始每年保持 40%以上的增長率，2025 年將超過 400 億人民幣。毋庸置疑，AI 正在更加深入地融入到工業生產的各個環節中，實現更高程度的自動化和智能化。如果對制造主流程進行分析，將不難發現AI 應用場景分布在“研產供銷服”的各個環節。其中典型的 AI 場景在各個環節的匯總情況，如圖 3-1 所示。圖 3-1 制造主流程與 AI 應用場景在各個智能制造的應用場景中，AI 往往作為核心技術，與云、計算、物聯網、大數據

132、等技術相結合，共同形成更為強大的應用能力，最終推動工業領域的創新和轉型，帶來新的商業模式和機會。以下就幾個典型應用場景做進一步介紹。3.1.1 工業 AI 質檢質量檢測的目的在于確保產品的質量、安全性和穩定性。制造行業傳統質檢以人工檢測為主，存在檢測效率低、工作量大、成本高的問題。而且人工檢測結果受主觀因素影響，檢測標準不統一，導致質量控制困難，容易出現漏檢和誤判。工業 AI 質檢基于深度學習技術，通過對生產線上的圖像、聲音和視頻等數據進行實時分析和處理，能夠自動、高效地識別和檢測制造過程中的產品缺陷和工作異常，實現對產品質量的自動檢測和結果判定。相比傳統計算機視覺的 AOI，AI 具有更高的

133、準確性、靈活性和自我學習能力，可廣泛應用到工業制造場景中，如圖 3-2。34加速行業智能化白皮書圖 3-2 工業 AI 質檢應用場景3.1.2 智能資源優化制造企業為了滿足自身發展，必須不斷提高效率、減少浪費和增加產值。隨著生產流程、供應鏈和客戶需求變得越來越復雜，傳統的資源管理方法往往無法滿足現代制造業的需求。在這種背景下，使用 AI 技術實現智能資源優化顯得尤為重要和必要。常見的智能資源優化場景有智能排產、供應鏈優化和能源管理等。在智能資源優化場景中，AI 使企業能夠更加高效、靈活地管理其資源和工作流程，優化企業資源利用率，提高生產效率。以具有代表性的智能排產為例，AI 結合運籌學，使用求

134、解器，完成先進算法迭代，在自動適應生產變換，減少沖突和瓶頸的基礎上，可進一步提供決策支持。而在供應鏈優化和能源管理方面，AI 可以提供實時數據可視化，預測和響應潛在的需求和風險，并自動執行優化操作，如自動化庫存管理、自動調節生產參數以降低能源消耗等，最終實現資源的優化配置，同時確保持續和穩定的生產。3.1.3 工業智能機器人工業智能機器人是一種在制造和生產線上執行各種任務的自動化機器，例如裝配、焊接、搬運、質檢等。與傳統的工業機器人相比，智能機器人不僅可以執行預定的動作，還可以通過感知、學習和決策能力，使其能夠執行復雜的任務并在多變的環境中自主工作。以工業智能巡檢機器人為例，如圖 3-3 所示

135、，在生產現場的廣域環境范圍內，基于融合感知技術，將多種類別的感知需求集成，借助自動化物流載具平臺，以及物流系統和統一調度的智能機器人平臺，實現對人體感知、人工檢查的補強和提升，輸出處理數據，提升現場綜合管理的流程數字化和管理精細化。35加速行業智能化白皮書圖 3-3 工業智能巡檢機器人3.1.4 預測性維護在過去，維護通常是反應式的，即在設備出現故障后進行修復。為了避免設備故障停機，工業界轉向了預防性維護，即定期檢查和維護設備。隨著傳感器技術、數據存儲和分析能力的進步，工業界開始具備實時收集和分析大量設備數據的能力?，F代的數據分析和機器學習技術使我們能夠從歷史數據中識別出設備故障的先兆和模式，

136、從而預測未發生的故障。預測性維護的核心思想就是使用數據驅動的方法預測和預防設備故障，而不是等到設備真正出現問題后再進行維護。預測性維護可以幫助企業解決生產中設備相關的問題，包括減少停機時間、優化維護計劃、延長設備壽命、降低維護成本和提高生產效率。掌握實時的設備健康數據，準確進行故障預測，為管理者提供有價值的洞察，幫助他們做出更明智的運營決策，提高安全性和客戶滿意度。3.1.5 企業知識庫與智能客服企業知識庫是企業內部的寶貴資產，它集中存儲了企業的各種經驗、案例、問題解決方案、操作手冊等重要信息。在制造領域，企業知識庫可整合制造流程、生產設備操作手冊、質量標準和故障處理等關鍵信息。這不僅提高員工

137、獲取信息的效率，縮短新員工培訓時長，使其能快速融入生產環境，更重要的是保持了企業知識的連續性，有助于生產的順暢運行，減少因信息缺失或錯誤而導致的停機時間。大模型技術能夠實現企業知識庫的智能檢索和內容優化。例如，當產線工人遇到設備故障時，他們可以用自然語言描述問題，大模型則能迅速返回相關的解決方案或故障處理指南?；谂c人員的交互式問答，大模型可以基于現有知識庫，結合提示詞，自動生成新的內容，如 FAQs、教程等。利用大模型的自然語言處理能力，企業的智能客服可以更加準確地理解客戶的問題，并結合企業知識庫，提供具有針對性的答案或解決方案，大大縮短了響應時間和解決問題的周期。大模型還可以在與用戶的交互

138、中持續學習，通過實時更新的知識庫，不斷完善其答案和建議，使服務水平持續提升。36加速行業智能化白皮書3.2 智慧煤礦煤炭作為中國重要的傳統能源行業，是中國國民經濟的重要組成部分，是長期以來推動中國現代化進程的基礎和動力。加快推進智能化建設，是推進煤炭工業高質量發展的必然選擇。2020 年 3 月，國家發展改革委、能源局、應急部、煤監局、工信部、財政部、科技部、教育部 8 部委聯合印發了關于加快煤礦智能化發展的指導意見，明確了煤礦智能化是煤炭工業高質量發展的核心技術支撐，并規劃了 3 個階段性目標：到 2021 年，建成多種類型、不同模式的智能化示范煤礦；到 2025 年，大型煤礦和災害嚴重煤礦

139、基本實現智能化，形成煤礦智能化建設技術規范與標準體系；到 2035 年，各類煤礦基本實現智能化，構建多產業鏈、多系統集成的煤礦智能化系統，建成智能感知、智能決策、自動執行的煤礦智能化體系。該意見標志著煤礦行業正式步入建設新階段。煤炭行業作為高危行業，為了保護礦工生命安全，煤炭行業少人化、無人化是大勢所趨。人工智能技術深度融入礦山，則是行業發展（少人、無人）的必然選擇。從機械化到自動化、信息化，再到智能化，從應用、ICT 設施到裝備，都在向著智能化、協同化、在線化升級。煤炭生產從機械化向智能化演進過程，如圖 3-4 所示。圖 3-4 煤炭生產演進路線煤炭行業面臨著開采地質條件復雜、災害多發（如煤

140、塵、水、火、瓦斯和頂板等自然災害）、生產效率較低、作業環境惡劣、人員短缺等挑戰，為應對這些挑戰，實現增安、提效、少人無人，亟需AI 技術的大規模應用。通過對采煤、掘進、通風、運輸、排水、機電等多個業務系統進行調研分析，人工智能在煤礦場景存在海量的應用場景。37加速行業智能化白皮書圖 3-5 海量人工智能應用場景如圖 3-5 所示，一方面人工智能存在海量的應用場景，但另一方面這些應用場景都是很碎片化的，試圖通過傳統的“小作坊”開發模式無法覆蓋這些海量的碎片化場景，亟需新的人工智能開發和應用模式，實現人工智能大規模應用。當前探索實踐證明，大模型是實現人工智能“工廠化”生產及規?；瘧糜行侄?，通過

141、引入視覺大模型、預測大模型、多模態大模型和自然語言（NLP）大模型，可實現人工智能在安監、生產、決策指揮、經營管理等業務場景下的規模應用，如圖 3-6 所示。圖 3-6 大模型四大能力支撐不同業務場景當前人工智能技術在煤礦行業的應用還處在起步階段，未來將在安監生產、綜合管控、決策指揮、經營管理等方向會持續進行更多的探索，為煤礦的智能化建設提供有效的支撐。預計未來 35 年，煤礦行業人工智能市場空間規模達到近 150 億。38加速行業智能化白皮書3.2.1 采煤工作面：瓦斯隱患預測近年來，隨著煤礦生產裝備技術水平的不斷提升，同時在煤礦監管部門的嚴格監管下，國內煤礦瓦斯安全事故總量和事故死亡人數逐

142、年下降，但相較于其他類型災害而言，瓦斯仍然是煤礦安全“第一殺手”。按照國家安全監察局等監管部門的要求，國內煤礦須錨定瓦斯“零超限”等一系列目標，完善瓦斯綜合治理，實現超前治理、超前預警和預防。借助大數據平臺和 AI 技術，可以對井下采煤設備、礦壓、通風、安全監測、地質、瓦斯抽采等系統數據進行智能融合分析，通過人工智能算法結合綜采工作面瓦斯涌出機理，實現井下關鍵位置瓦斯濃度的預測，進而實現瓦斯隱患的超前預警，幫助煤礦提前發現瓦斯安全隱患，同時給出處置預案,避免隱患進一步發展成事故，幫助煤礦提升生產安全性，減少設備停機停產的時間，提升生產效率。3.2.2 掘進工作面：掘進作業序列智能監測掘進作業作

143、為煤礦井下采煤生產前進行巷道開采及安全支護的工作環節，是煤礦日常生產中最重要、最危險的環節之一。掘進的速度和質量直接影響到礦井合理的生產布局、穩定的采掘接續，并關系到礦井重大災害的超前治理。當前，掘進面裝備智能化程度偏低，空間狹小，環境惡劣，人員密集，多工序協同作業，勞動強度大?，F場采用“人盯人”的管理方式，監測管理難度大，作業規范性、作業質量難保證，安全風險巨大。近年來，井下重大安全事故30%以上發生在掘進面，而其中 50%以上是由作業不規范、人員監管不到位導致，亟需引入新技術手段突破人工監管的屏障，提升掘進面安全性，保證穩定生產。掘進作業序列智能監測系統通過對作業人員及其相關動作進行智能識

144、別，對作業規范性進行AI推理分析，結合傳感器及設備運行狀態數據，實現對危險區域人員入侵、人員摔倒、截割頭落地、敲幫問頂、鉆眼深度、錨固劑使用數量、攪拌時間等關鍵動作的實時監測，及時分析作業工序完整性，作業規范性和作業質量，發現問題第一時間對掘進隊長進行告警提醒，并可聯動停機，確保掘進作業安全規范，作業質量達標。3.2.3 智能主煤流運輸礦井主煤流運輸系統負責將井下采掘工作面生產的原煤運輸到井上，是煤礦生產作業系統的大動脈。當前，礦井主煤流運輸系統在實際運行中存在諸多安全隱患，例如皮帶撕裂、異物、跑偏、堆煤等問題，需要人工巡檢并介入處理，避免主運皮帶撕裂、斷帶等事故，造成全礦井停產停工。因礦井主

145、煤流運輸皮帶距離長，巡檢人員每天需行走 5-10 公里，耗時耗力，且容易因問題發現不及時導致事故發生。通過“計算機視覺+人工智能”技術，對主煤流進行可視化精準監測，能夠在第一時間發現主煤流運輸各種安全隱患，并且通過聯動GIS、融合通信、手機工單、皮帶集控等周邊業務系統，提升問題處理效率，在減少巡檢人員工作量的同時，助力礦井主煤流運輸系統更加高效安全運行。3.2.4 智能洗選煤選煤廠是煤炭加工的重要場所，選煤廠的主要任務是利用煤和矸石的物理性質不同，通過一系列生產工藝對煤炭進行分選，去除原煤39加速行業智能化白皮書中的雜質，獲得工業生產所需的精煤產品。選煤廠分選系統的運行情況對煤礦具有非常重要的

146、意義。重介旋流器分選是選煤生產的核心生產工藝，當前的分選工藝參數依賴人工經驗設定，產品質量參差不齊，經常出現產品質量過剩和產品灰分超標的問題，給煤礦企業帶來直接或間接的經濟損失。人工智能的引入為工藝參數優化提供了新的突破思路。以原煤煤質、入洗煤量、重介密度、入料壓力和精煤產品灰分為基礎，通過對生產數據建模和訓練，生成工藝參數預測模型，然后利用參數預測模型對實時生產數據分析和推理，預測出最優的生產工藝參數，并將其應用到生產系統中，實現最優的控制效果。同時利用新的生產數據對參數預測模型持續優化迭代，從而逐步實現選煤生產數字化、精細化。3.2.5 露天礦無人駕駛 露天礦開采一直以來面臨著安全、效率、

147、駕駛員短缺等方面的挑戰：（1）露天礦通常位置偏遠、環境惡劣，招人難、人力成本高；（2）傳統作業需要頻繁換班，人工調度經常存在礦卡排隊等待情況，影響生產效率；（3）日常生產作業存在落石、碾壓、碰撞以及塌方等重大安全隱患。露天礦無人駕駛系統的應用將有效解決以上問題。露天礦無人駕駛以智能駕駛計算平臺、融合感知系統為基礎，結合人工智能、5G、云控平臺、高精地圖等技術，可實現礦用卡車自主行駛、精準?？?、自動裝卸、停車避讓等功能，支撐露天礦采裝、運輸、排/卸等環節的全天候全流程無人化作業，有效提高礦車作業效率，減少危險區域作業人員數量，提升礦區生產作業的安全性。同時，礦卡可采集車輛自身狀態、運輸狀態，實現

148、礦用卡車保養提醒、車況檢查、故障報警、車隊管理等功能，有效提高礦用卡車營運效率，降低成本和事故風險。3.3 智慧鋼鐵鋼鐵行業是中國國民經濟的重要基礎產業，為國家建設提供了重要原材料保障，有力支撐了中國工業化、現代化進程。2022 年 2 月，工信部、國家發展改革委、生態環境部聯合發布關于促進鋼鐵工業高質量發展的指導意見（以下簡稱 意見），明確鋼鐵工業實現高質量發展的目標和路徑。意見中明確大力發展智能制造是主要任務之一，并要求推進人工智能、5G、工業互聯網等技術在鋼鐵行業的應用，開展智能制造示范推廣，打造一批智能制造示范工廠。鋼鐵工業具有生產流程連續、工藝體系復雜、產品中間態多樣化、大型高溫高壓

149、設備集中、人員安全要求高等特征，面臨著嚴峻的資源、市場、環保、競爭等挑戰，亟需通過人工智能、云、5G 等先進技術及場景化創新應用，提升行業的綠色環保、安全保障、生產效率。鋼鐵行業生產演進路線，如圖 3-7 所示。40加速行業智能化白皮書圖 3-7 鋼鐵行業生產演進路線當前，大部分鋼鐵企業已經完成了自動化建設，進入信息化和數字化的建設階段，并通過信息化和自動化項目提升了生產運行效率。但是信息化的建設由于缺乏整體規劃，基于裝置和業務板塊進行垂直的系統建設，無法更進一步支撐多業務、多系統、多數據的的綜合分析、聯動和決策，停留在信息化階段，無法進入數字化階段；通過統一數字平臺的建設，將原有系統的數據進

150、行統一的收集、清洗、入湖，使數字化變革更加體系化、集成化和協同化；如何使得數字資產更有效應對行業挑戰，亟需 AI 技術的大規模應用。圖 3-8 鋼鐵行業人工智能應用場景如圖 3-8 所示，鋼鐵行業生產流程長，工藝復雜，存在海量人工智能應用場景。但由于存在數據樣本少、算法通用性差、開發門檻高、無持續迭代優化能力的缺點，導致在鋼鐵行業中 AI 無法大規模應用，亟需新的 AI 開發和應用模式。41加速行業智能化白皮書圖 3-9 大模型支撐鋼鐵場景工業化生產基于華為盤古大模型的視覺大模型、預測大模型、多模態大模型和 NLP 大模型，以及工業智能中樞的工作流，可以幫助鋼鐵企業實現 AI應用的高效開發和大

151、規模部署，結合邊學邊用，實現越用越準。目前華為已經結合鋼鐵企業基于大模型實現智能配煤、廢鋼智能判級、行車智能調度、自動轉鋼、智能精煉等智能化應用，加速鋼鐵行業的智能化升級。從各個應用場景的技術維度來看，AI 往往作為核心技術，與 5G、大數據等技術相結合，共同形成更為強大的應用能力，最終推動鋼鐵智能化轉型，帶來新的商業模式和機會。預計未來 35 年，鐵鋼行業人工智能市場空間規模達到近 200 億。3.3.1 智慧焦化配煤噸鋼成本中焦炭所占的比例達到 38%，與鐵礦石相當，焦化廠急需在保證焦炭質量要求的前提下，綜合考慮焦炭價格和化產品綜合收益，尋找最優配比使得利潤最大化。通過人工智能技術，將配煤

152、大數據與配煤機理結合，并融入專家經驗，深度挖掘原料煤之間的配伍性和特征相關性，結合業界先進配煤理論科學配煤，準確預測焦炭質量，通過分析對焦炭質量劣化情況及時給出預警，且能在達到焦炭質量要求的前提下，優化原煤配比，降低配煤成本，平均每噸焦炭降低 5 元 20 元。3.3.2 廢鋼智能判級傳統定級作業環境惡劣，定級員常常需要多次攀高，與重型機械設備協作，人工近距離觀察和檢測，勞動強度大，作業風險高。同時，由于廢鋼類型繁雜，定級參數多等特點，往往只能依賴人工經驗綜合判斷，受個人差異、抽檢次數等因素影響，還存在定級結果不準確的情況。通過計算機視覺+AI，實現統一客觀準確判級，降低定級的人為依賴，減少人

153、為影響造成的定級偏差損失。部署廢鋼智能判級應用后，可實現廢鋼遠程集控管理，減少人員現場工作安全風險；判級過程全程可視可回溯，減少判級結果爭議。42加速行業智能化白皮書3.3.3 行車智能調度目前鋼鐵企業的煉鋼車間冶金吊行車作業調度主要依賴人工調度。調度員基于預先制定的生產計劃，通過視頻監測現場運行情況，通過固定電話或對講了解各工位生產實際情況，再進行調度決策。決策指令通過對講機、固定電話等方式下達到行車操作人員和各崗位工作人員，實現行車吊運鋼包任務分派，以及煉鋼各個環節的串聯?，F有人工調度嚴重依賴調度員的經驗和能力，由于煉鋼過程高度復雜且生產過程持續動態變化，調度員難以全面感知各個環節中的情況

154、，調度決策無法全面考慮后續各個工藝環節，會造成工藝環節銜接不順，從而導致生產過程中不必要的等待，生產效率下降。行車智能調度綜合考慮煉鋼各環節生產計劃，實時采集分析煉鋼廠轉爐、精煉、連鑄各工位的生產數據，結合行車和鋼包實時位置信息、各工位生產工藝規則和行車的檢修、設備異常等情況，通過人工智能技術，整體統籌安排行車運行規劃，智能生成行車調度指令。生成的指令采用圖形化界面和語音播報等方式下發到對應生產工位。對于生產過程中的動態變化，可以在 1 分鐘內完成未來 30 分鐘的決策并完成指令下發。行車智能調度系統的應用，可以有效提升鋼包周轉率，減少冶煉過程中的鋼包傳擱等待時間，降低過程溫降，減少鋼企在煉鋼

155、環節的噸鋼成本，提升煉鋼廠運轉效率和產能。3.3.4 自動轉鋼寬厚板軋粗軋環節需要進行多個道次往復軋制，將固定規格的鋼坯軋制到目標厚度和寬度。粗軋過程采用的橫軋-縱軋方式需要對紅熱鋼坯在多個道次進行 90 度旋轉，當前由人工操作控制粗軋機前轉鋼輥道區域的兩組錐形輥做不同方向旋轉，從而帶動紅熱鋼坯旋轉 90 度，旋轉完成后再送入軋機進行軋制。轉鋼環節是寬厚板粗軋生產效率提升的瓶頸。這個環節中紅熱鋼坯亮度高，還有除鱗水氣干擾，人工長時間目視操作容易疲勞。通過視覺采集轉鋼區域圖像，采用高光抑制、水氣去除等算法保證圖像質量，實時智能識別鋼坯位置、角度，AI實時分析，并基于分析結果實時對接軋機控制系統，

156、控制轉鋼輥道的轉向轉速，實現板坯轉動精準控制；自動轉鋼系統還實現了結合電子圍欄的實時控制，確保旋轉過程中鋼坯始終在轉鋼區域內，保障生產安全。通過大量生產實績統計，該系統投用后實現平均每次轉鋼時間比人工操作減少 30%，轉鋼過程完全自動化，極大提升了生產效率。3.3.5 智慧能耗管理鋼鐵廠的能源系統復雜，既有一次能源消耗(焦煤、噴吹煤)，又有二次能源消耗(煤氣、蒸汽、余熱、余壓)，還有自發電和外購電。如何管好能源，看清楚能源供需與生產之間的關聯，從而找到優化和平衡的方法，是很多鋼廠關心的話題。通過實時采集產線上的煤氣、水、電、壓縮空氣、氮氣等能耗，結合產線生產實績，借助 AI 大模型建立起能耗需

157、量的基線模型和預測模型。從單鋼坯耗能預測出發，利用AI 技術，分步驟實現物質流和能量流在車間級（局部）和工廠級（全局）的協同優化，在保證生產按質按量完成的前提下，實現能耗最優，成本最低。3.3.6 智能精煉通過大數據、云、AI 等技術，根據物理平衡、熱平衡原理，以機理+數據模型相結合，實現合金輔料添加自動計算、LF 爐送電吹氬自動規劃、鋼水成分實時預測，避免人工操作帶來的隨意性和不確定性。通過智能精煉的實施，可以實現質量最優（鋼水成分內控合格率43加速行業智能化白皮書99.5%+）、效率最高（LF 精煉終點溫度一次命中率 95%+）、成本最低（噸鋼合金、渣料、用電成本減少 2 元，以年產 40

158、0 萬噸鋼煉鋼廠為例，每年節約煉鋼成本 800 萬元）。3.4 智慧銀行金融業是指經營金融商品的特殊行業，它包括銀行業、證券業、保險業等。金融業在國民經濟中處于牽一發而動全身的地位，關系到經濟發展和社會穩定，具有優化資金配置和調節、反映、監督經濟的作用。金融業的獨特地位和固有特點，使得各國政府都非常重視本國金融業的發展。與傳統人工處理業務相比較，人工智能在金融領域中的應用有諸多獨特優勢，例如其強大的數據處理能力以及自我學習能力，更好地處理大量數據，進行精準的風險評估，提供個性化的服務，以及實現更高效的決策制定。另外金融領域數據復雜多變、易受外部環境影響，數據為各種政策的制定實施提供了強有力的理

159、論支持，時時掌握最新的金融數據，把握經濟動態走向顯得尤為重要，利用深度學習算法模擬人類大腦的思維過程，就能夠對數據進行及時響應并預警。圖 3-10 金融科技演進路線數據是數字經濟時代的核心生產要素，圍繞數據要素的生產轉化，釋放數據生產力，是各行各業當面要面對的問題。銀行作為數字化水平領先的行業，已經識別到了客戶需求和市場的變化，各銀行機構紛紛啟動了數字化轉型戰略，推進“一切業務數據化，一切數據業務化”的建設，加速實現從數據到數據資源的轉化。數據的價值在于應用，而應用的關鍵在于行動。從數據化到行動化，一般需要經歷四個階段的躍升：數據化：這是基礎階段，區域銀行要做好數據的采集、存儲和管理，保證數據

160、的完整性和準確性。信息化：這是提升階段，區域銀行要通過數據分析和可視化，將數據轉化為有價值的信息，為決策提供依據。知識化：這是深化階段，區域銀行要構建知識圖譜，深入挖掘客戶畫像、關系和行為，為業務創新和個性化服務提供支持。行動化：這是高級階段，區域銀行要利用 AI技術優化業務流程，智能響應市場變化，提高業務效率和客戶滿意度。44加速行業智能化白皮書圖 3-11 銀行人工智能應用場景AI 能力正在重新定義銀行業生產力，大量銀行已廣泛應用 AI 生產力進化思路框架，建立持續迭代升級的閉環體系，適應 AI 技術的持續突飛猛進。AI 在銀行業的應用場景非常廣泛，在提升金融產品營銷能力、提升風險處置能力

161、、提升運營與開發效率、使能新業態四個方面已經顯現出不同的價值。在提升金融產品營銷能力方面，AI 技術可以幫助銀行實現客戶畫像的精準構建和個性化推薦和定制化服務?；趯蛻舢嬒竦纳钊肜斫?，AI 系統可以自動推薦符合客戶需求的金融產品和服務，營銷時客戶圈選就能夠更加有針對性，提高營銷精確性。在提升風險處置能力方面，通過“信用報告自動生成”、“輿情監測”等風控領域 AI 應用可以提升銀行的風險防范與處置能力，使其能夠加大面向中小微實體經濟的資金要素供給，逐步成為區域經濟發展的新動力，切實提高金融服務實體經濟效率和支持經濟轉型發展的能力。在提升運營與開發效率方面，通過人機交互打通智能客服，智能網點等服

162、務界面的業務阻隔與流程斷點，實現“端到端”業務流程觸發、路徑選擇、任務派發與質量監測，提高業務處理標準化、智能化水平，大幅提升銀行客戶體驗。如工行在全國有四萬多個網點，20 萬多個網點員工，通過與華為盤古大模型合作，讓每個銀行柜員擁有自己的智慧助手。根據客戶問題生成操作指引，將以前 5 次操作縮短為 1 次，單次辦結時間縮短 5 分鐘。在使能新業態方面，AI 結合 IoT、區塊鏈等新技術，將直接服務對象由“人”延伸到“智能物”，構建以場景為核心的業務模式，以及基于客觀數據信用體系的風險管理模式。從而使得基于動產可信的質押模式成為銀行的新業態。45加速行業智能化白皮書圖 3-12 銀行大模型應用

163、場景隨著預訓練基礎語言大模型初具與真人相似的交互聊天、文稿撰寫、邏輯推理、計算機編程以及綜合性思考能力，其展示出強大的通用智能潛力，有可能引發新一輪的技術競賽、產業革命，甚至改變未來人類的生活方式。大模型的核心優勢在于其高認知水平、強泛化能力、深厚知識儲備、有邏輯推理和有溫度的交互。在多輪對話中，它們的交互能力實現了飛躍性的提升，意圖識別的準確率也更高。大模型的相關技術潛在應用場景廣泛，例如在財富管理領域，模型可以輔助生成研報、理解研報內容并脫水，還能根據外部各類信息解析出 alpha因子；在客服服務方面，模型可以提高知識庫的豐富度，逐步實現個性化服務；在營銷領域，模型可以輔助生成話術，提升數

164、字人的交互能力；在運營領域，模型可以提高智能化審核質檢能力，并逐漸演化成多模態超級 RPA 的能力；在系統研發領域，模型可以輔助生成代碼、監測代碼質量，并提高自動化測試的能力；在辦公領域，模型可以輔助記錄會議、編寫報告和 PPT，從而提高工作效率。大模型將激活銀行的非結構化數據，更高效地釋放數據價值，應用將滲透到業務前中后段，帶來新的生產力升級。經過市場洞察和測算，未來 3 年內大模型將加速金融科技智能化升級，帶來銀行科技的市場空間約為 260 億，主要包括 AI 新算力集群建設、金融行業大模型建設和相應的實施服務。3.4.1 智能營銷-提升金融產品轉化率與用戶體驗傳統的營銷模式依賴傳統媒體渠

165、道，缺少與銀行客戶間的互動和即時反饋，目標客戶營銷精準度不高，很難評估營銷活動對產品銷售和品牌宣傳的影響，效能較差；對于客戶而言，沒有參與感，處于被動獲取信息的狀態，無法滿足個性化需求。隨著金融科技的快速發展和競爭的加劇，銀行正重構營銷體系，以客戶為中心，進行客戶全周期管理，提供更加精準的產品和更優質的服務體驗。通過利用大數據分析和機器學習算法，銀行可以深入了解客戶的消費習慣、偏好和行為模式，從而更好地把握市場趨勢和客戶需求。AI 時代銀行數字化營銷將實現客戶需求與商機46加速行業智能化白皮書主動挖掘，人機互融，帶給客戶沉浸式極致體驗。人工智能技術可在多個銀行數字化營銷場景中廣泛應用，營銷內容

166、生成，AIGC 改變文案與圖片產生方式，快速生成不同風格營銷內容，已達到專業文創水平，改變了銀行營銷活動策劃與推廣模式，大幅提升生產效率與活動創意。數字人交互，AI 生成虛擬人物，通過大規模語料學習，實現客戶問題自主回答，滿足多樣化場景，提升用戶體驗與溝通效率，提升復雜纏繞問題解決率，減少大量人工客服工作。產品推薦，傳統數字營銷方式依賴專家規則進行用戶與產品匹配，無法進行精細評估。人工智能與大數據技術融合，通過銀行全域數據、全量用戶、全產品數據學習訓練，獲取最優參數模型，幫助金融機構實現客更精確地識別出潛在的高價值客戶和目標群體，主動識別客戶需求，根據客戶的消費習慣和偏好，自動精準匹配產品。商

167、機挖掘，通過對海量數據的學習分析，AI 算法模型可以發現潛在的市場機會和趨勢，幫助金融機構及時調整營銷策略。例如，通過對社交媒體平臺上的用戶評論和反饋進行分析，AI 算法可以預警客戶對產品或服務的滿意度和需求變化，從而幫助機構快速做出反應并進行相應的改進。3.4.2 智能風控-風險傳導識別銀行的風險傳導識別場景是指在金融市場中，銀行通過對各種風險因素的識別和分析，評估并預測可能對銀行業務產生不利影響的風險傳導路徑。這些風險傳導路徑可能包括信貸風險、市場風險、操作風險等，它們通過不同的渠道和機制相互影響，可能導致銀行的資產負債表出現不良變化，進而影響到銀行的盈利能力和穩健經營。隨著金融市場的復雜

168、性和全球化程度的增加，傳統的人工識別方法已經難以滿足需求，而通過知識圖譜建出復雜的風險傳導模型，結合 AI智能檢測算法，識別信貸風險的傳播模式和傳導路徑，預測未來可能出現的風險傳導路徑和影響范圍，降低風險的擴散率。體系化地覆蓋客戶預篩、事前審查、事中決策、事后預警等全流程多方面，提升銀行的風險防范能力。3.4.3 智能風控-實時智能反欺詐金融欺詐是指以非法占有為目的，采用隱瞞真相或虛構事實的欺詐手段，用以騙取公私財物或者金融機構信用、破壞金融管理秩序的違法犯罪行為。隨著科技的發展和普及，產生了一系列新型的金融欺詐行為，如網貸平臺欺詐、大數據精準欺詐等，逐漸形成了“黑色產業鏈”，所帶來的社會危害

169、也在不斷加深，亟需借助更加智能化的手段來實現對欺詐交易的精準識別，更加高效地識別和預防欺詐行為，保障交易的安全性和可靠性，降低對正常用戶的打擾。首先，通過機器學習和深度等智能算法，構建更加復雜的分析模型從而更精準的識別欺詐行為。傳統的欺詐檢測方法往往依賴于專家經驗設定的規則和模型，而人工智能技術可以通過機器學習和深度等智能算法，從海量的交易數據中自動發現異常模式和規律，迅速識別出異常的交易模式，從而更準確地識別出潛在的欺詐行為，預警機構及時采取措施進行干預和阻止。3.4.4 智能運營-智能票表卡章識別金融行業日常業務中涉及大量表單、憑證、票據和圖片等材料，如對公對私開戶資料、信貸業務資料、客戶

170、財務報表，運營票據、合同、檔案等。由此帶來大量重復的、低效率的錄入、核對工作，需要大量的人力成本是金融行業面臨的普遍痛點。47加速行業智能化白皮書隨著金融科技的快速發展，金融機構對于高效、準確的文字識別需求日益增加。通過結合OCR 文字模型和 NLP 自然語言處理模型，使用深度學習算法對大量的金融文檔進行訓練和學習，從而建立起一個強大的文字識別模型，能夠自動地分析和理解文本內容，并準確地將其轉化為結構化數據，即可將金融機構可以將大量的紙質文件、電子文檔等轉化為可編輯、可搜索的電子數據，可以實現對金融文檔的自動分類、關鍵詞提取、情感分析等功能，方便后續的數據分析和處理工作，能夠有效的為其節約人力

171、、物力成本，提升效率，增加營收。隨著大模型技術發展，構建的金融 OCR 大模型，可以通過高精度文字檢測與多模態表格還原等技術，可以大大提高手寫體票據文字識別的準確性和效率，同時實現用一個模型覆蓋多個通用的文字識別場景，更進一步降低應用場景拓展門檻。3.4.5 智能運營-智慧客服銀行通過設置 7*24 小時的線上客服，通過電話、短信、郵件或在線聊天等方式，為客戶提供全天候的金融咨詢、業務辦理和問題解決服務，能夠快速準確地解答客戶的疑問，協助客戶完成各種銀行業務，如查詢賬戶余額、轉賬匯款、信用卡還款等。在處理客戶投訴和收集建議的過程中，確?？蛻魸M意度。隨著科技的發展，許多銀行還推出了智能客服系統，

172、通過人工智能技術提供更高效、便捷的服務。通過應用 AI 自然語言處理和機器學習等算法，模擬人類客服的工作方式，為客戶提供高效、準確、便捷的服務。智能客服可以理解并回應客戶的查詢，如賬戶余額、交易記錄、貸款申請等。同時還可以根據客戶的問題或需求，提供個性化的建議和解決方案。此外，智能客服可以 24 小時全天候在線，無需等待人工客服的接聽，大大提高了客戶的滿意度和銀行的服務質量。3.4.6 智能運營-智慧網點在線上+線下渠道全面融合的趨勢下，銀行網點仍然有不可替代的作用，銀行線下網點必須向更高效服務于全渠道銷售轉型。要考慮基于邊緣計算技術、AI 技術、信息互聯網技術、多媒體技術等多方面技術為銀行網

173、點智能化提供技術支撐，提供更好的服務。網點多種場景對智能分析能力提出了很高的要求，借助智能化、自助化的設備實現銀行的營運、合規、安全等場景的實時監測，從而提升用戶的體驗；借助智能化服務和安防系統，降低網點相關業務的人員成本。具體的智能分析相關服務包括：1）客群分析為不同客群的客戶提供差異化信息服務；2）客流分析提供布局優化、人員調配的科學決策支撐；3）服務分析，提升合規性、效率和質量；4）區域監測，異常行為智能識別，實現及時告警等。多媒體技術可以提升到網點辦理業務的客戶智能互動體驗。網點保留的最重要職能就是和客戶的物理接觸體驗，線下網點配置交互式多媒體體驗設備，如全息投影、VR 技術，給客戶提

174、供內容豐富生動的服務和展示平臺。借助智慧辦公新物種的全新生產力工具，集白板、投影、麥克風、音箱、視頻會議終端等設備于一身，加持多種智能技術，讓智能協作水平滿足網點智能化的要求。3.4.7 新業態-動產融資據世界銀行集團估算，中國存貨規模有 75 萬億，未來五年將達到 100 萬億，動產融資市場存在巨大的可開發空間，但一物多抵、以次充48加速行業智能化白皮書好現象時有發生，金融倉爆雷事件常有報道，影響動產融資業務的發展。傳統金融倉通過人工監管成本高且無法識別高端作案手段，例如虛開憑據、重復質押、質押品真實性等問題，導致銀行不敢貸不愿貸。隨著 AI 技術發展，金融倉建設有了新的解決方案。例如運用物

175、聯網、以大模型為代表的人工智能，和視頻監測等技術實現對倉庫環境及資產狀況的智能監測；應用人工智能技術結合大數據分析，基于歷史數據與實時監測指標，智能識別異常事件或風智能預警險，并針對運營人員進行主動預警通知；利于 CV 模型賦能攝像頭實現遠程運維，實現對系統定期自動巡檢；例如機器學習算法對設備進行健康度分析、軟硬件自動智能運維更新升級等，簡化人工運維工作，提高運維效率與系統穩定性。3.5 智慧證券證券業是金融業的重要組成部分，主要從事證券的發行、承銷、交易和資產管理等業務。證券業通過證券市場有效調劑資金，促進資金優化配置，服務實體經濟發展。隨著互聯網技術、移動終端和大數據的廣泛應用，證券業正在

176、經歷智能化轉型，人工智能技術為這一轉型提供了有力支撐。人工智能可以深度參與到證券業的各個環節，實現智能化操作。在投資決策環節，可以建立智能投顧系統，利用深度學習算法對交易數據和市場趨勢進行復雜的模式識別，輔助投資者進行資產配置和投資決策。在股票分析方面，可以使用自然語言處理技術解析海量的財經資訊、研報和社交數據，輔助判斷個股質量。在量化交易環節，可以構建智能交易系統，利用強化學習等算法進行策略優化，實現自動化交易。在風險管理環節，可以使用機器學習算法進行市場風險和信用風險的評估。在證券監管方面，監管部門可以運用人工智能技術進行智能監管。例如，監管部門可以建立智能分析系統，利用機器學習等技術，對

177、海量的交易數據、文本數據、圖形數據等進行智能分析，實現異常交易的自動識別和市場濫用行為的智能監測，提高監管效率。人工智能是證券業數字化轉型的關鍵技術。它提高了投資決策、交易執行、風險控制和監管效率，創造了更優質的用戶體驗，將助力證券業由高速增長向高質量發展轉變。如果運用得當，人工智能的應用將使證券業更智能、更高效、更安全、更公平和更普惠。預計未來 35年，中國證券行業人工智能的市場規模預期會達到 180 億元，其中大模型帶來的增量空間預計約為 30 億元。3.5.1 智能投顧證券行業的投資顧問業務是指證券公司等專業機構通過提供投資分析和建議，幫助投資者進行投資決策的金融服務。投顧業務旨在為投資

178、者提供專業的資產配置和投資建議。傳統投顧服務主要依靠人力來完成，包括市場分析、資產配置和客戶服務等，面臨多個痛點。首先，人工投顧需要大量時間和精力去分析復雜的市場數據和投資工具，這導致高昂的人力成本并限制了服務時間。其次，由于依賴個人經驗，49加速行業智能化白皮書傳統投顧服務常受到分析師主觀判斷的影響，導致投資建議的質量參差不齊。隨著科技的發展,投資顧問服務也正在逐步智能化，并產生了“智能投顧”服務。與傳統投顧相比，智能投顧通過應用人工智能和大數據分析，顯著提高了投顧服務的效率和準確性。首先，它使用機器學習算法進行資產配置和選股，能根據投資者的個人需求和市場狀況實時調整投資組合。其次，自然語言

179、處理技術使得智能投顧能理解投資者的需求并提供個性化建議。此外，智能投顧還能實現 724 小時的全天候服務，大幅降低人力成本。智能投顧帶來了更高效、更個性化的投資體驗，正逐漸成為投資領域的新趨勢。3.5.2 智能投研投資研究是證券公司的一項核心業務，通過對上市公司進行深入調研，預測其未來經營狀況和發展前景，進而做出投資推薦或風險提示。傳統投研面臨多個挑戰：首先，分析師需要花費大量時間進行數據收集和分析，導致工作效率低下。其次，海量的信息容易導致信息過載，增加決策難度。再者，過度依賴個人經驗和主觀判斷可能導致認知偏見。最后，撰寫高質量研報的工作量大，且難以保證內容的質量和一致性。智能投研是指運用大

180、數據和人工智能等先進技術來對投資研究過程進行改進的過程。相較于傳統模式，智能投研通過應用人工智能和大數據技術，有效地解決了投研過程中的諸多問題。首先，通過自然語言處理技術，智能投研系統能迅速分析大量非結構化數據，如公司公告和行業報告，提高分析師的工作效率。其次，使用機器學習算法，智能投研系統能找出影響股價的關鍵因素，并輔助分析師制定更全面的投資策略。此外，新興的大模型技術進一步提升了投研的智能化水平，比如自動生成研報初稿，大幅提升研報撰寫效率。在使用智能投研系統時，特別需要注意確保其輸出符合道德和合規要求，以維護市場的公平性和透明性。3.5.3 財務報表智能審核對企業財務報表進行分析和審核是證

181、券公司投行業務的重要一環。企業財務報表不僅反映企業的財務健康狀況，還為投資者和監管機構提供了洞察企業運營的重要信息。然而，問題也隨之而來：企業財務報表常常出現虛報或瞞報的情況。一些企業通過控制財務數據，企圖欺騙投資者或規避監管。傳統的解決方案，如人工數據核查，不僅需要高度的專業知識，而且工作效率低下，難以有效地識別和預防財務風險。借助人工智能技術可以實現財務報表的智能審核和異常識別。具體來說，通過機器學習或深度學習的技術構建和訓練智能審核模型，能夠從歷史財務數據中學習并識別異常模式。在實際操作中，系統能自動解析企業報表的數據，并依據模型來判斷是否存在如虛報或瞞報等異常行為。更進一步，系統還能識

182、別潛在的舞弊動機，比如偷稅漏稅或業績舞弊。與傳統的人工方法相比，智能審核模型能高效地處理大量數據，快速地識別異常并發出風險預警。這不僅大大提高了識別財務風險的效率，也為投資者和監管機構提供了更精準的決策依據。50加速行業智能化白皮書3.6 智慧電力電力系統主要由發電、輸電、變電、配電、用電及調度組成，將各種一次能源轉換成電能并輸送和分配到用戶，是國民經濟的基礎產業。電力系統發展主要經歷了三個階段：半自動化，自動化，智能化。生產系統從二遙到五遙再發展到現在的智能化交互，管理業務從人工到全面數字化。以數據為基礎構建強大的軟件平臺，以軟件定義電力系統，將傳感技術、信息技術、計算技術、控制理論、人工智

183、能與電力系統深度融合，推動實現電力系統的智能化。電力生產業務從半自動化向智能化演進過程，如圖 3-13 所示。圖 3-13 電網業務發展歷程2021 年 3 月 15 日，黨的二十大報告強調加快規劃建設新型能源體系，為新時代能源電力高質量發展指明了前進方向。能源數字化、智能化建設，是實現傳統能源向新型能源體系轉型的關鍵。電力是重資產行業，系統非常復雜，電力設備是電力網絡的重要組成部分，設備的狀態直接關系到電網的穩定運行。隨著新型電力系統建設的加速推進，電力系統越來越復雜，設備數量的不斷增多，傳統的管理與檢修技術已經不能滿足需求，如何有效感知設備狀態、降低檢修成本、提高設備使用壽命、提升技術人員

184、的檢修效率和質量是目前所面臨的問題。如圖 3-14 所示，電力巡檢業務發展經歷了人工為主、人工+機巡到現在的智能立體巡視階段，智能巡檢對電力設備進行預判性的檢測及維修是保障設備安全、電網穩定運行的重要手段。圖 3-14 電力巡檢業務發展歷程51加速行業智能化白皮書缺少智能巡視和智能分析的數字化手段，難免會造成電力設備安全風險未能及時監測和預警，從而影響運維人員對異常及時響應和處理的實時性和精準性。以物聯、視頻、AI 為代表的數字化技術可以為電網設備提供全天候、全方位、全自主的實時監視，實時掌控設備運行狀態，及時識別設備異常風險，保障整個電力系統運行安全，減輕運維人員工作負荷。AI 技術的創新和

185、突破為電力設備的智能巡視帶來了新的機遇。其強大的數據分析和推理能力，能快速檢測異常信息，識別潛在風險，實現實時告警、實時監測及預警?；?AI 視覺識別技術，結合視頻監測等視頻圖像采集設備，運用 AI 視覺深度學習算法，實現電力設備狀態實時監測、站端表計智能識別、環境智能實時監測、人員安全行為智能評估等智能巡檢，提升了智能化巡視水平。特別是 AI 大模型的出現，進一步提升了 AI 技術的發展水平和速度。AI 大模型是預訓練的模型，參數為數十億甚至千億以上。大模型采用“工廠式”開發，泛化性好，行業用戶二次開發門檻低，多個場景一個模型，上線快，開發周期為天級。對于開發者來說，通過大模型可以持續沉淀

186、經驗，沉淀能力，沉淀資產。國家電網總部 2023 年 7 月份下發人工智能大模型技術驗證方案，要求年底落實人工智能大模型驗證，并形成大模型技術驗證工作報告，為國網大模型規劃布局和建設應用提供指導和依據。國家電網大模型包括 CV 識別、電力多種模態數據學習推理、電力知識內容自動生成三類，支撐 8 大類 320 種場景，如圖 3-15 所示。圖 3-15 電網業務場景示例大模型在電力行業的應用，其中基礎大模型 L0 擁有百萬級到千億級別參數，結合場景可靈活調用基礎大模型。在電力行業主要 CV 大模型、NLP 大模型、多模態大模型的應用，這些模型具備強大的泛化能力，通過與行業知識結合，能快速實現不同

187、場景的適配，少量樣本也能達到高精度，基于預訓練+下游微調的工業化 AI 開發模式，加速 AI 行業應用?；锇榛谛袠I大模型之上，開發適配行業場景模型應用，提升電力發、輸、變、配、用各環節 AI 應用實效，如圖 3-16 所示。52加速行業智能化白皮書圖 3-16 電網業務大模型架構隨著新型電力系統發、輸、變、配、用等領域的技術及管理變革，電網正演變為源、網、荷、儲等多重因素雙向互動，人工智能將發揮越來越重要的作用。預計未來 35 年，電力行業人工智能市場空間規模近 200 億。3.6.1 輸電線路通道入侵識別線路通道巡檢重點針對線路通道、周邊環境、“三跨”線路（跨鐵路、跨公路、跨重要輸電通道）

188、、施工作業等情況進行檢查，及時發現和掌握通道環境的動態變化情況。同時，需根據輸電通道性質、地理氣象環境條件等實際情況，對通道環境上的各類隱患或危險點安排定點檢查，避免各種隱患因素對線路安全穩定運行造成威脅，產生事故。傳統線路通道巡檢主要依賴人工，巡檢勞動強度大，巡檢質量會受到作業人員主觀因素影響，在惡劣環境下巡檢范圍受到很大限制。目前架空輸電線路巡線工作面廣、線路長、沿線環境復雜，缺乏先進的輔助巡檢裝備支撐，對一些較為隱蔽的缺陷、隱患及故障點很難準確查找定位，增大了線路運行風險。輸電線路通道入侵識別主要部署在外力破壞易發區（跨高鐵、跨高速公路、跨重要輸電通道、違章建房、開山炸石、吊車施工等外力

189、破壞易發區域）、火災易發區、易覆冰區、通道樹木（竹）易生長區、偏遠不易到達區和其他線路危險點、缺陷易發區段的線路通道。在線路通道部署攝像機，拍攝通道畫面，通過 AI 分析算法，重點針對通道環境中的安全風險，如施工作業（大型機械）、山火、線路懸浮物（塑料薄膜）等進行識別。實現架空輸電線路巡檢信息化、巡視少人化和檢測智能化，從而大大提高巡檢效率，降低人工巡檢工作量，減少安全隱患，滿足日益精細化的業務管理要求。3.6.2 輸電桿塔本體異常識別輸電桿塔本體監測，重點對絕緣子、線路金具、拉線、鳥巢異物、桿塔基礎、接地裝置等設施的完好情況進行全面檢查。傳統采用人工巡檢，53加速行業智能化白皮書以定期巡檢、

190、故障巡檢等方式，對塔體設備和基礎等設施，進行逐一檢查。隨著無人機的普及應用，無人機自動巡檢采集桿塔本體設施圖像的方式，正成為主流。無人機巡視拍照，結合人工識別隱患的模式，相較傳統人工巡檢有節省巡檢時長、降低人員巡檢風險等優勢，但由于無人機拍攝圖片量大，人工分析效率低，存在人員成本高、巡檢人員工作強度高，分析易出現漏檢、誤檢的問題。電力行業正在探索借助AI分析算法，對桿塔本體（包括桿塔、絕緣子、大尺寸金具、小尺寸金具、導地線、基礎、附屬設施）和接地裝置進行缺陷識別，缺陷類型主要包括塔身缺陷、部件缺陷、異物等。借助 AI 智能識別技術，可準確識別塔體缺陷類型和相應特性，并大大提升塔體缺陷識別準確度

191、和速度，減少誤報率，最終實現 AI 智能巡視代替人機巡視。54加速行業智能化白皮書3.7 智慧油氣從最早的人工挖井采油發展至今，油氣行業已細分為勘探開發、油氣生產、管網儲運、煉油化工、成品油零售等多領域全流程工業。數字化技術的應用和發展，為傳統油氣行業注入了新的生產力，成為油氣工業生產新的增長引擎。從上世紀90年代開始，傳統油氣行業先后經歷了自動化、數字化、智能化發展階段，并正在向著智慧化的方向持續演進。油氣行業的數字化建設歷程，如圖3-17所示。圖 3-17 油氣行業數字化建設歷程中國上世紀曾戴著“貧油國”的帽子，在千千萬萬“王進喜”式的油氣工作者的努力下，才有了現今各大油田產量年年增高的好

192、勢頭。油氣作為國家戰略儲備資源，重要性不言而喻。黨中央也多次對保障國家能源安全做出部署安排。黨的十九屆五中全會強調要“保障能源和戰略性礦產資源安全”?！笆奈濉币巹澓?2035 年遠景目標綱要圍繞“構建現代能源體系”、“提升重要功能性區域的保障能力”、“實施能源資源安全戰略”等做出了一系列重要部署。此外，油氣資源對于維持國家穩定運行至關重要，對經濟發展有直接拉動作用，也是支撐國家基礎設施建設和社會保障體系的頂梁柱。隨著行業數字化轉型的深入和數字技術的不斷發展，AI 逐漸成為了油氣行業智能化發展進程中的重要抓手。AI 技術的應用，切實地改變了石油工人在惡劣環境下繁雜的生產工作。例如，在勘探開發場

193、景中，利用 AI 數據處理、知識圖譜、機器學習、模型訓練調優等能力，可實現地震層位的快速解釋、地震初至波的自動拾取、水平井定向控制、井筒鉆探數據處理、鉆井及井噴事件風險預測等。在生產管理場景中，面對井場“點多、線長、面廣”的分布狀態，AI 通過神經網絡的自主學習建立工況診斷模型，對抽油機井的工況進行實時診斷預警，并通過周界安防、行為分析等智能算法助力油氣田的安全生產防護，大幅減少日常人工巡檢的55加速行業智能化白皮書工作量，讓工作人員“穿著西裝、坐在辦公室里”也能實時了解現場的生產動態。AI 大模型技術正處在系統創新、深度融合以及智能引領的重大變革期，AI 大模型技術與油氣工業的融合必將帶動傳

194、統行業生產能力和管理效率的指數級增長，從而進一步加快實現油田增儲上產、提質增效，實現油氣行業智能化轉型升級的目標。預計未來 35 年，油氣行業人工智能市場空間預計可達40 億。如圖 3-18 所示，華為公司推出的盤古大模型，可基于通用的基礎大模型，疊加行業數據，快速訓練出油氣行業大模型，然后再通過細分場景數據的反復學習、訓練及微調，進而構建出場景大模型，如地震大模型、測井大模型等。圖 3-18 油氣行業 AI 大模型能力和應用場景3.7.1 油氣井射孔壓裂評價射孔壓裂是油氣生產中常用的一種低滲透率油氣儲層增產技術，如圖 3-19 所示，該技術是通過在油氣井筒中進行射孔，將高壓液體注入井筒，使巖

195、石裂開，從而增加油氣的產出量。射孔壓裂空隙位置、大小和深度效果將直接影響采出量，因此射孔后需要對射孔壓裂進行效果評價,類似給油氣井出具一份 CT 報告，以查看射孔壓裂是否達到最佳效果。評價內容包括射孔直徑、周長、面積、圓度、裂縫分布和裂縫寬度等數據，確定是否需要進行后續的調整和優化，以期達到最佳油氣增產采收量的目標。圖 3-19 油氣井射孔壓裂剖面示意圖56加速行業智能化白皮書通常情況下，一個油氣井筒中有多達幾千個射孔，目前業內大多依靠人工看視頻、看圖像的方式進行手工標注、識別、量測、分析，工作量巨大、效率低，準確率也有待提升。借助 AI 大模型技術的射孔壓裂可視化 AI 評價方案，基于華為昇

196、騰 NPU 算力、全場景 AI 計算框架 MindSpore 組建的 AI 評價平臺，通過對媒體流進行云端模型訓練、邊端卷積推理，實現精準高效評價，射孔壓裂精準可視，接箍識別、射孔簇識別的精確率可達 95%，射孔識別、射孔輪廓標注識別精確率可達 85%。相比傳統方式，工作效率和準確率均得到大幅提升。地 層 GR 0 200 CAL 0 15 深度(m)巖性剖面LLD 2 20000 LLS 2 20000 RHOB 2 3 NPHI 42 -18 DT 140 40 層號綜合解釋營 四 段營 一 段350036003700380039004000410042005657606374747474

197、747474747474747474757655 565758 596061 626364 65 66 67 68 69 70 71 72 73 74-1 74-2 74-374-474-574-674-774-8 74-9 74-10 74-1174-1274-1374-1475763.7.2 測井油氣層識別測井油氣層識別是油氣勘探開發中非常重要的一環，可以幫助勘探人員更準確地確定油氣資源的分布和儲量，從而指導油氣勘探和開發工作。測井數據是通過在井孔中下放測井儀器，測量地下巖石的物理性質而得出的，如電阻率、自然伽馬輻射、聲波速度等，然后根據這些數據進行分析，確定地下巖石的類型和性質，從而判斷

198、是否存在油氣層。圖 3-20 為油氣井測井綜合解釋圖，通過分析測井綜合解釋圖，可以確定地層的巖性、油氣儲層性質、儲層厚度、儲量等信息，為油氣勘探和開發提供重要的參考依據。圖 3-20 測井綜合解釋圖傳統的油氣層識別是采用測井資料進行人工識別和專業軟件模擬解釋，過程中依賴大量的專家經驗，效率低、精確度不足。例如，探井解釋一般需要一周左右，開發井需要 3 天左右，而區塊老井復查一般需要多月完成。傳統的油氣層識別模型精準度低、專家人力投入工作量大，嚴重影響油氣開發開采效率。融合知識圖譜與深度學習等人工智能技術，油氣田智能測井研究取得重大突破，在多個油田和區塊通過人工智能測井解釋發現遺漏油層。測井人工

199、智能平臺基于華為云 Stack ModelArts，全面適配通用算力和雙棧AI算力，支持異構資源協同調度、云端協同。引入 NLP生成式 AI 技術，在少量樣本準備的基礎上，可對測井資料實現高精度自動評價。對于評價過程和評價結論，以準確的測井術語和地質術語，以自然語言的方式進行專業質控，對異常信息可實現自動發現和評估分析，并自動生成報告，實現智能測井、增儲上產。3.7.3 抽油機井工況診斷在油田生產中，抽油機是油井開采中使用最廣泛的人工舉升設備，主要由地面部分和井下部分兩部分組成，即地面部分的電動系統、減速箱系統、連桿系統以及井下的抽油泵、抽油桿、57加速行業智能化白皮書組合油管等。其中，抽油泵

200、在井下上千米處工作，井下條件復雜，隨著油田的長期開采，環境條件也會發生變化，抽油桿柱在井下往復運動的過程中會產生許多不明原因的磨損或故障，從而導致抽油效率降低，甚至造成油井事故。及時準確地了解抽油機的工作狀況并進行綜合診斷，對于保證抽油效率、降低機械采油成本、提高油井產量具有重要的意義。目前雖然實現了對油井生產數據的采集，但還無法實現油井生產工況趨勢的智能分析和預測。綜合考慮油井生產動態、油藏物性、示功圖數據、機抽設備等相關數據，可針對供液不足、結蠟等典型的漸變工況用 AI 手段進行預測分析。例如，示功圖診斷方式主要是通過圖像識別方式實現，先將示功圖數據處理成二維灰度圖像，再利用卷積神經網絡對

201、樣本數據進行訓練，并保存模型。使用實時生成的新示功圖數據作為輸入，通過模型預測所屬分類，對示功圖圖像進行分類識別，實現示功圖智能診斷的功能，從而實現抽油機井工況精細量化診斷。工況診斷可有效發現、預測油井問題，為動態優化抽油機井提供決策依據，確保油井長期高效生產。3.7.4 管道光纖監測預警隨著國家城鎮化和油氣管道建設進程的進一步加快，油氣管道建設和運營的外部環境日趨復雜，油氣管道隱患危及社會公共安全。部分油氣管線營運多年，當年遠離城鎮的管道如今已被居民樓、學校、醫院、工廠等建筑物包圍，管道穿越人口密集區、安全防護距離不足、城市市政管網與地下油氣管道交叉，尤其是第三方占壓施工等情況時有發生，給國

202、家能源安全和穩定供應造成諸多不安全因素。統計表明，中國 50%以上的油氣管道故障來自第三方入侵，包括意外機械施工、人工挖掘、打孔盜油等，單純依靠人工巡檢顯然難以為繼，運維壓力不斷增加，引入智慧巡線新技術，可提升管道的安全生產水平。如圖 3-21 所示，可利用油氣管道同溝敷設的光纖，建立光纖預警系統，監測第三方活動信息，從而有助于加強管道的完整性管理，降低管道安全運行風險，是防患于未然的有力舉措。圖 3-21 管道光纖監測預警58加速行業智能化白皮書利用與管道同溝敷設的通信光纜中的冗余光纖，構成分布式光纖傳感器，獲取管道沿途的振動信號，利用 32 維振動波紋分析 AI 算法對油氣管道場景下不同事

203、件的波紋進行訓練優化以及在線學習，在識別是否產生振動的基礎上，還可以有效地過濾誤報以及識別管道沿線的威脅事件（挖掘、鉆孔、破壞）類型，實現快速準確定位，保障管道安全可靠高效輸送。3.7.5 化工工藝模擬與優化化工反應是油氣產業中最為重要的核心流程之一，其產物廣泛應用于人類的生產生活中。然而，化工反應的復雜性和不可控性導致了其產物的品質和產量受到約束，從而更加注重反應過程的模擬和優化?；すに嚹M是指利用計算機軟件對化工生產過程進行模擬和預測。而化工優化則是指在化工生產過程中，通過對生產流程的數據分析和模擬，找到理想的工藝參數，以實現最佳的生產效益?；すに嚹M與優化技術可以有效提高化工生產的效

204、率和質量，降低成本和能耗碳耗，防止事故和污染，推動化工生產向智能化、綠色化、低碳化等方向發展。目前，化工工藝模擬和優化系統大部分基于數學機理模型，其核心是反應動力學及傳遞過程的計算，當前仍存在諸多問題，例如系統建模的準確性和可靠性仍然是最大難題之一；其次，化工工藝模擬和優化系統大部分需要手動構建模型，人工成本高、耗時長；同時，模型參數調整和精度評估等問題也亟待解決。針對上述問題，化工工藝模擬與優化需要繼續發展和完善，其中一個思路就是利用人工智能和大數據等先進信息技術進行優化建模，提高模型的準確度和可靠性?；すに嚹M與優化應用“大數據+AI大模型+分子機理混合模型”，結合流程模擬軟件，與實時

205、DCS 數據、LIMS數據、在線分析儀數據通信，通過科學計算實現模型自動校正、實時操作優化方案，最終達到企業從原油到化工裝置全流程在線優化，如圖 3-22 所示。圖 3-22 工藝流程模擬與優化示意圖59加速行業智能化白皮書首先，基于嚴格穩態流程模擬實現物料平衡、熱量平衡、化學平衡等計算。其次，通過大數據分析和 AI 大模型在化工工藝模擬和優化系統場景中減少建模工作量，降低模型的復雜度且使之易收斂，縮短計算求解式時間，大幅度提高工藝優化模擬精度和效率。再次，利用雙模技術有效提高模型準確度和魯棒性，實現裝置工藝運行數字孿生，智能推薦最佳關鍵工藝操作參數，助力技術人員基于實時數據進行模型在線校正、

206、在線操作優化。工藝模擬和優化涵蓋常減壓、催化裂化、加氫裂化、加氫精制、渣油加氫、重整、乙烯裂解等重點裝置，穩步提升生產效率，提高收益。工藝模擬優化與大數據和 AI 的結合，最終可更優實現包括原油加工方案優化、產品結構方案優化、裝置生產方案優化、產品質量預測、排放預測等功能，以實現煉化企業降本增效和裝置的“安穩長滿優”運行，將有效推動煉油化工生產過程邁入新的發展階段。3.7.6 智慧生產安防“十四五”時期是加快構建現代能源體系的關鍵五年。在全球科技面向數字化和智能化發展的背景下，為了保障國家的能源安全，降低油氣對外依存度，完成降本增效的目標，油氣行業數字化轉型迫在眉睫。在此背景下，人工智能技術的

207、應用已成為油氣數字化轉型的關鍵一步，不僅可以應用于提高生產運營效率、降低運營生產成本，還可以用來保障安全生產、降低環境風險。特別是計算機視覺技術在油氣場站/煉廠、管道巡檢、設備智能管理、數字油田/數字煉廠安全運營等領域得到廣泛應用，工業應用效果突出，是目前行業內應用最廣泛、成熟度最高的技術之一。在油田勘探領域存在的環境復雜惡劣、鉆井作業現場不可視和人員安全不可視、缺少實時告警等問題；在油氣生產領域存在的缺少智能化、人工巡視效率低、系統聯動性差的問題；在油氣輸送管道領域存在的環境復雜、設備老化、運維量大的問題；在煉化領域存在的煉化園區安全人防為主、智能化低、系統間聯動差的問題；在銷售板塊加油站場

208、景存在的安防智能化水平低與加油支付效率低的問題。針對上述問題，通過引入視頻 AI 分析技術，實現現場環境的實時監測、告警及智能化聯動分析功能。上述安防場景及 AI 視頻技術應用如圖 3-23所示。圖 3-23 智慧生產安防應用場景60加速行業智能化白皮書通過高空瞭望、電子圍欄、目標識別、智能分析、槍球聯動、視頻拼接、多系統聯動等新技術應用，對園區關鍵卡口、廠區周界、建筑物的關鍵區域（?；反鎯?、重要設施等）、輸油管道進行全方位管控，實現全態感知和全域安防。借助視頻 AI 技術可以端到端識別助力油氣生產現場在第一時間、第一現場發現問題解決問題。使用的主要算法模型如下：1.危險行為防控：非法入侵、

209、徘徊逗留、攀高、打電話、抽煙、遺留物品檢測等；2.設備運行監管：漏水漏油檢測、煙霧火焰檢測、溫度感知、可燃氣體泄露識別等；3.作業安全規范：安全服、安全帽、裝卸油安全、吊物下站人、管道上站人等。目前，通過開展“視頻 AI+大模型”技術在油氣生產過程的應用研究，有效提高了石油化工領域的數字化、智能化程度，取得了初步成效。未來幾年，石油化工領域的視頻 AI 技術將在標準體系構建、融合 5G 技術的數據采集與傳輸、行業大模型算法等方面開展進一步的研究工作，加快推動油氣行業數字化轉型進程。3.8 智慧航空自 2005 年起，中國航空運輸總周轉量已連續14 年位居世界第二。2019 年，民航全年完成運輸

210、總周轉量 1292.7 億噸公里、旅客運輸量6.6 億人次、貨郵運輸量 752.6 萬噸，同比分別增長 7.1%、7.9%、1.9%；千萬級機場達39 個，同比增加 2 個。從數據可以看出，中國已是名副其實的民航大國。如今，航空客運正在由奢侈消費向大眾消費轉變，人均收入水平的增長和旅游業的發展讓大眾越來越傾向于選擇更加便捷、舒適的交通出行方式。然而，旅客吞吐量的激增也給航空行業帶來了挑戰，單純進行物理擴容或依靠人工進行調度指揮、監管運維，難以有效應對當前行業面臨的供需矛盾、效率不足等諸多挑戰，也難以匹配未來航空在客貨運效率、安全、體驗等方面高質量發展的需求。在數字化時代，利用人工智能、大數據等

211、科技手段來建設智慧航空，全面推進行業數字化轉型升級成為最優選擇。中國早在2017年正式提出推進智慧民航建設，開啟民航強國的進階之路。2018 年，中國民航局發布新時代民航強國建設行動綱要中提出：“從 2021 年到 2035 年，民航發展要實現從單一航空運輸強國向多領域民航強國的跨越。同時指明，建設智慧民航是實現民航強國目標的重要一步。2020 年 12 月，民航局印發推動新型基礎設施建設促進高質量發展實施意見提出“到 2035 年，全面建成國際一流的現代化民航基礎設施體系，實現民航出行一張臉、物流一張單、通關一次檢、運行一張網、監管一平臺”。2022 年 1 月 21 日，為加強智慧民航建設

212、頂層設計，落實多領域民航強國建設要求，促進民航高質量發展，民航局組織編制了 智慧民航建設路線圖，如圖3-24所示，標志著中國智慧民航從頂層設計走向了全面實施階段，智慧民航建設將有效提升民航安全發展水平以及行業運行效益、效率和發展質量。隨著 AI 應用加速進入行業生產系統，預計未來 35 年，航空行業人工智能市場空間規模預計可達 43 億。61加速行業智能化白皮書圖 3-24 智慧民航建設路線圖總體架構對于機場而言，隨著國際航空樞紐建設的快速推進，各項設施資源、空域資源等日趨飽和?，F有機場一方面存在業務規模大、運行主體多、運行狀況復雜、資源緊缺等問題；另一方面則面臨著旅客量、航班量以及航線等業務

213、快速發展帶來的運行壓力及挑戰，迫切需要加速 AI 技術大規模的應用，進一步提高機場安全水平、運行效率、服務品質和建設管理能力。通過對運行、安全、服務、交通、商業、物流、管理等多個業務系統進行調研分析，人工智能在機場存在的典型應用場景如圖 3-25所示。圖 3-25 機場人工智能典型應用場景62加速行業智能化白皮書在機場運行指揮方面，通過引入 AI 技術，構建機場運行一張圖，建設智能機位分配、航班保障節點自動采集、主動運控等系統，實現運控業務的透明可視、全局態勢感知、高效協同指揮，不斷地促進機場信息化建設、數據質量提升、業務流程優化，打造主動、協同、高效、智能、一體化的大運控，有效促進機場行業的

214、數字化轉型。3.8.1 機位資源分配停機位是機場運行的資源中心，是航空器、旅客、行李以及地面運輸的交集處，機位的高效分配是機場生產組織的核心環節。在機場航班信息管理作業中，機位分配（如圖 3-26 所示）不僅直接影響飛機停放的安全，也影響登機口、擺渡車、行李轉盤等周邊相關資源的合理分配。在航班發生延誤、取消、返航等特殊情況時，需要迅速對原有機位分配計劃進行相應的調整。在傳統的機位分配模式中,運行指揮人員需每天根據當日航班計劃和機場設施狀況，考慮繁多且復雜的機位分配規則，結合個人專家經驗每天需要花費數個小時人工統籌安排飛機停機位分配計劃，全天24小時監測調整，效率低下。圖 3-26 機場機位分配

215、業務場景圖在當前客流量快速增長，機場運營面臨安全、運行、服務體驗等多重挑戰的情況下，由于需考慮的因素眾多，有時當場景變得復雜時，光靠人力已經無法得到最佳的機位分配解決方案，亟需對機場關鍵場面資源進行科學利用和合理配置，建設一套高效的機位資源智能分配系統。通過引入AI技術，實現“機器為主、人工為輔”的機位資源自動化、智能化分配，可在向指揮員提供機位智能預分配、實時分配等決策支持的同時，有效提升靠橋率、廊橋周轉率等核心指標，并為值機柜臺、登機口、行李轉盤等運行資源的智能分配打下基礎，進一步提升機場運行效率和旅客體驗。63加速行業智能化白皮書3.9 智能鐵路鐵路運輸是現代化運輸業的主要運輸方式之一，

216、在社會物質生產過程中發揮著重要的作用。其特點是成本低、速度快、運量大、運輸的準確性和連續性強，幾乎不受氣候影響。在舊中國，鐵路運輸能力十分薄弱，全國僅有 2.2 萬公里的鐵路。新中國成立幾十年來，鐵路運輸有了比較大的發展。截至 2022 年底，中國鐵路營業里程已高達 15.49 萬公里，其中高速鐵路達 4.2 萬公里，穩居世界第一。中國已建成世界領先的現代化鐵路網，并成為世界上唯一一個高鐵成網運行的國家。但面對如此龐大的鐵路網，如何提升運輸組織效率，解決運輸需求與能力供給之間的矛盾；如何實現風險隱患的自動排查，提升事故故障的超前防范能力，適應高速、重載的運輸模式；作為重資產行業，如何掌握設備的

217、劣化機理，提升設備的精細化管理水平，準確預判設備的維修時間和內容，大大降低設備的養護維修成本。面對這些問題，經過數十年的探索，智能化成為鐵路行業實現高質量發展的必然選擇。圍繞鐵路建造、裝備、運營三大核心業務，鐵路正在走向全面智能化，如圖3-27所示。圖 3-27 鐵路智能化2017 年 6 月 29 日，鐵路信息化總體規劃首次提出了建設“智能鐵路”的戰略目標。2018 年兩會期間，中國國家鐵路集團有限公司（簡稱國鐵集團）明確指出，基于 AI、5G 等先進技術，中國高鐵將向智能化方向發展。2020 年，國鐵集團出臺了新時代交通強國鐵路先行規劃綱要，其中明確提出未來 30 年的兩步走戰略。第一步，

218、到 2035 年率先建成服務安全優質、保障堅強有力、實力國際領先的現代化鐵路強國；第二步，到 2050 年，全面建成更高水平的現代化鐵路強國，全面服務和保障社會主義現代化強國建設。在時代趨勢與政策引領下，智能鐵路時代已經到來。隨著AI 技術的興起，其在鐵路智能化進程中發揮著重要的作用。在鐵路客運、貨運、機務、車輛、工務、供電等多業務場景中，都能利用 AI 實現智能化應用，提升效率、優化成本。典型 AI 場景如圖 3-28所示。64加速行業智能化白皮書圖 3-28 智能鐵路 AI 典型場景鐵路 AI 場景多且碎片化，傳統的小模型“作坊式”開發，周期長、經驗無法繼承、無法復用。大模型方式為解決這些

219、問題提供了新的思路。大模型具有開發門檻低、泛化性好、經驗可繼承等特點，可有效實現人工智能“工廠式”開發，將 AI 規模應用于鐵路車輛、工務、供電、客運等業務場景。如圖 3-29 所示，基于盤古鐵路大模型，在車輛運維場景中，使用 AI 可以“代替”人工看圖，實現車輛故障智能識別；在工務線路巡防場景中，視頻 AI+多傳感技術可以實現 24 小時全面監測，提升人工巡防效率。隨著 AI 應用加速進入行業生產系統，預計未來 35 年，鐵路行業人工智能市場空間規模預計可達近 33 億。圖 3-29 智能鐵路 AI 技術架構65加速行業智能化白皮書3.9.1 車輛運維場景鐵路貨運是經濟發展的“晴雨表”，展現

220、著經濟發展的活力與實力。中國擁有近 100 萬輛貨車，是平時大家所乘坐動車組數量的數十倍，因此鐵路貨車行車安全非常重要。多年來，鐵路車輛部門立足科技保安全，研制、應用、推廣了一系列先進的貨車安全監測設備及系統，其中，TFDS（Trouble of moving Freight car Detection System，貨車運行故障動態圖像檢測系統）是非常重要的系統之一。該系統利用高速相機拍攝列車底層、側部照片，通過圖像判斷部件故障（如圖 3-30 所示），有助于提高列檢作業質量和效率，提高車輛安全防范的水平，在保障鐵路貨車運行安全方面發揮了積極巨大的作用。圖 3-30 貨車故障圖像示例目前，全

221、國TFDS系統每天拍攝上億張圖像，主要依賴人工作業，工作強度大、效率低、人力投入大。AI 技術可以實現 TFDS 貨車故障圖像從人工識別轉向智能識別，減少人工作業量。原本一列貨車需要人工查看 4000 余張圖片，經過 AI 識別后，可以過濾掉 95%以上的無故障圖片，人工只需對少量故障預報圖片進行復核，作業效率大幅提升。3.9.2 線路巡防場景高鐵已經成為人們跨城出行的首選交通方式之一，與我們的日常生活密不可分。高鐵運行速度快、載客量大，全國“一張圖”運行，一個點出現問題都有可能引起連鎖反應，甚至會導致大面積晚點。國鐵集團及其下屬各鐵路局投入了大量人力、物力、財力，全面守護高鐵的運行環境不受外

222、部因素干擾，線路巡防就是其中重點工作之一，全路投入的巡防人員數以萬計。在每年的汛期，巡防人員更是 24 小時駐守在防洪點，時刻守護著鐵路的基礎設施和行車環境，承擔著沉重的工作任務和巨大的精神壓力。雖然可以利用沿線鐵路綜合視頻監測系統，對風險點定期遠程巡查，但每個鐵路局都面臨數萬個攝像頭，靠“肉眼”全面實時查看顯然不現實。隨著 AI 智能分析技術的發展以及 AI 硬件算力的持續提升，為解決這一行業難題提供了可行的方向?；趶姶蟮?AI 硬件算力，結合深度學習的視頻 AI 算法，對鐵路沿線海量視頻數據進行全面實時的智能分析，一旦發現潛在問題，及時通知值班人員進行確認。同時，視頻 AI 可疊加光纖傳

223、感、毫66加速行業智能化白皮書米波雷達、激光雷達等多種感知技術，實現對入侵目標的更高精度識別。這樣可大幅降低人工現場和遠程巡查的工作量，大大提升線路巡防的工作效率。3.10 智慧城軌城鎮化建設高速發展，帶來了城鎮居民日常通勤需求的激增，促進了城市軌道交通規模持續增長。截止到2022年底，中國已有55個城市，累計投運城軌交通線路 10287 公里。不過與世界發達城市相比，城軌交通在提升城市公共交通供給、促進都市圈發展等方面的作用可進一步提升。2019 年，國務院印發交通強國建設綱要，指出要以新興信息技術與城軌交通深度融合為主線，推進城軌信息化，發展智能系統，建設智慧城軌，實現城軌交通由高速度發展

224、向高質量發展的跨越，助推交通強國的崛起。2020年 3 月，中國城市軌道交通協會發布中國城市軌道交通智慧城軌發展綱要，提出應用云計算、大數據、物聯網、AI、5G、衛星通信、區塊鏈等新興信息技術，全面感知、深度互聯和智能融合乘客、設施、設備、環境等實體信息，經自主進化，創新服務、運營、建設管理模式，構建安全、便捷、高效、綠色、經濟的新一代中國式智慧型城市軌道交通。2022 年8 月中國城市軌道交通協會發布中國城市軌道交通綠色城軌發展行動方案，提出推動綠色裝備創新和新一代綠色智能技術裝備的研發與應用，聚焦節能降耗潛力大、能效利用率高的新一代綠色智能技術裝備。隨著智慧城軌建設的不斷深化，城軌行業的數

225、字化轉型已形成共識并正在加速，行業正從業務上云向業務智能的階段演進，如圖 3-31 所示。在業務智能階段，行業的客戶開始不斷嘗試在城軌云上做業務的創新，設計和構建了支撐整個企業業務變革的數字底座，推進 IT 和OT 的融合，并逐步在業務場景中融合 AI，打通流程的斷點、重構城軌業務，逐步向智能化、數字化大步邁進，如車輛運維的自動化診斷分析、企業經營的輔助決策等。圖 3-31 智慧城軌建設的演進過程67加速行業智能化白皮書智慧城軌的建設要堅持智能化的實施戰略，智能化方向重點推進云計算、大數據、AI 等新興信息技術和城軌交通業務深度融合，推動城軌交通數字技術應用。隨著城軌線路和車站數量增加，線網客

226、流持續增長，城軌線網結構愈加復雜，建設、運營和運維壓力隨之加大，城軌面臨可持續發展的挑戰。結合中城協提出的智慧城軌體系，如圖3-32所示，結合八大體系的內容，行業迫切需要圍繞“安全”、“效率”和“體驗”等目標，大力推廣大數據、AI 等技術在城軌智慧乘客服務、智慧運輸組織、智能能源系統、智能技術裝備、智能基礎設施和智慧運維安全等領域的深化應用，加速行業智能化。隨著AI應用加速進入行業生產系統，預計未來35年，城軌行業人工智能市場空間預計可達39億。圖 3-32 智慧城軌八大體系3.10.1 智慧建造場景城軌新建規模大、周期 3-5 年，多條線路同時施工，存在安全監管不到位、容易引發安全事故等問題

227、。如何在建設中有效規避風險、保證施工安全，成為地鐵建設必須解決的問題。目前地鐵建設信息化管理較落后，存在如下短板：工地安全隱患識別不全、自動化監測排查能力有限、過程管理效率低、建設系統數據未統一、管理協同難等，企業層面無法及時獲取線網建設的安全、質量和進度等信息。如某地鐵集團需要依賴 15-20 人的巡檢隊伍完成 300 多個監測點的巡查，時間、效率難以保障?；诖?，在城軌建設領域，需要通過視頻+AI+大數據等新 ICT 技術，融合城軌施工建設數據，實現城軌建設一張圖管理、安全隱患自動識別、軌行區安全調度、盾構安全大數據等應用，通過資源、技術、數據共享實現施工單位管理、施工安全管理、應急管理等

228、職能，達成工地 AI 算法精確度超過 99%、巡檢工作量減少 35%、安全事故降低 30%等。3.10.2 智慧客運場景隨著地鐵線網規模的不斷擴大，地鐵對城市乘客出行產生虹吸效應，使得客流呈現快速增長，城軌運營管理在客流預測、行車調度、客流調度三大業務上面臨著巨大挑戰。當前的客流預測更多依靠歷史客流數據統計分析來估算，客68加速行業智能化白皮書流預測的準確率低于 70%，對突發事件引起的客流變化缺乏推演能力，無法有效支撐后續的運輸策劃和運營調度。在行車調度、客流調度業務上，目前只有大客流、行車延時/中斷事件監測，沒有針對這些突發事件產生后客流如何演變的預測，以及針對客流演變應該采取怎樣的行車調

229、度、客運組織的建議，僅依靠調度人員的個人判斷，無法匹配線網級的行車調度和管控?；诖?，一方面需要基于城軌大數據建設，使用 AI 算法進行精準的客流分析和預測，實現短時客流預測精度超過 90%、實時客流預測精度超過 95%；另一方面，需要分析實際業務的各種約束條件和優化目標，建立多目標、多約束條件的網絡運行圖整數規劃模型，采用求解器和啟發式算法實現精確求解，實現分鐘級的運行圖編制和運能運量的精準匹配，有效支撐大客流時的線網、線路和車站一體聯控。3.10.3 智慧運維場景城軌網絡化運營下設施設備運維管理壓力日漸嚴峻，傳統的運維模式隨著現網規?；l展已經不能滿足運維業務的發展需要，面臨“成本”和“效

230、率”的雙重挑戰。當前，故障類型和故障程度的診斷，依賴個人經驗判斷，設備健康狀態監測難，老專家僅能識別約 70%的故障、普通員工僅能識別約 30%的故障。其次，運維檢修作業計劃依賴人工制定、人工編排，效率低下；同時，車輛大修/更換等按周期開展，易浪費維修資源和成本。智慧運維可通過圖像識別及目標檢測等 AI 算法，動態采集車輛輪對、走行部、受電弓等關鍵部件圖像，并提取特征對比，及時識別缺陷和異常報警，替代 80%以上的人工日檢內容，實現超過 95%的識別精度并提高 35%的日檢效率。同時，基于設備設施的狀態監測數據構建 PHM（故障預測和健康管理）模型，開展劣化預判和預測，探索從“計劃修”向“狀態

231、修”，以及“預測修”的演進，以降低運維成本，提高運維效率，保障運維質量。結合智慧建造、智慧客運、智慧運維等場景的業務場景需求和 AI 場景技術構思，城軌行業要構建云上訓練、邊端推理的整體架構，如圖 3-33所示。在城軌云上進行模型訓練，訓練好的模型通過平臺下發到云邊緣，云邊緣進行模型推理，實現云端和邊端的增量學習、聯邦學習、協同推理等能力，以提升模型性能和精度，并降低模型建設成本。比如冷機節能算法，通過云上的實時訓練，實現站段節能算法快速調整和小時級增量更新能力，保持模型精度大于 90%。圖 3-33 城軌行業 AI 能力應用思路69加速行業智能化白皮書3.11 智慧港口港口是一個國家或地區的

232、門戶，通常位于江、河、湖、海沿岸，有水、陸接運的作用?，F代港口是水陸交通的集結點，具有水陸聯運設備和條件，是供船舶安全進出和停泊的運輸樞紐，同時也是工農業產品和外貿進出口物資的集散地，更是國際物流全程運輸與國際貿易的樞紐和服務基地。天津港面對港口行業數字化轉型，提出更高的業務目標，“要志在萬里，努力打造世界一流的智慧港口”。為響應黨中央號召，港口行業普遍開始基于人工智能、大數據、5G、云、北斗等新技術向智慧港口進行轉型，同時提出以“海港為龍頭、陸港為基礎、空港為特色、信息港為紐帶”的四港融合戰略。其中智慧港口以信息物理系統 CPS（Cyber-Physical Systems）為結構框架，通過

233、高新技術的創新應用，使物流供給方和需求方共同融入集疏運一體化系統；極大提升港口及其相關物流園區對信息的綜合處理能力和對相關資源的優化配置能力；智能監管、智能服務、自主裝卸成為其主要呈現形式，并為現代物流業提供高安全、高效率和高品質服務。全球 TOP10 集裝箱港口中，中國占有 7 個，自動化碼頭建設運營水平全球領先。自動化碼頭通過將人工智能、大數據、5G、云、北斗等新技術和碼頭自動化作業技術相結合，真正實現了碼頭生產作業的全自動化、少人、無人。集裝箱碼頭核心生產作業環節，如圖 3-34 所示。圖 3-34 集裝箱碼頭核心生產作業環節示意圖70加速行業智能化白皮書港口的智能化演進可以分為三個階段

234、：早期的信息化階段，中期的數字化+場景化 AI 階段，以及未來的智能化階段。港口智能化三個階段的演進，如下圖 3-35 所示。圖 3-35 港口智能化轉型的演進路徑2014 年前主要通過傳統機器學習方法支撐了一些港機設備故障預防預測，2014 年開始隨著深度學習的逐漸普及，基于卷積神經網絡CNN（Convolutional Neural Network）的視覺小模型逐步在碼頭安防、監測等領域得到了大量的應用，同一時期傳統的運籌優化算法結合求解器也開始在計劃調度及路徑規劃等場景開始持續發力，在這個階段內，以磁釘+自動導引車 AGV（Automated Guided Vehicle）為代表特征的智

235、慧港口 1.0 逐步演進為以自動駕駛+高精度地圖+5G+智能導引車 IGV（Intelligent Guided Vehicle）為代表特征的智慧港口 2.0；2023 年隨著大模型的出現，神經網絡的智能水平得到顯著提升，使得基于一個統一大模型底座全面支撐港口生產、管理、服務、安全各領域應用成為可能，智慧港口也開始從 2.0 向 3.0 開始演進，裝卸生產智能化、物流貿易協同化、運營管理數字化、生態服務一體化成為這一階段的特征及趨勢。據初步測算，未來 5 年內大模型等 AI 新技術為港口領域帶來的市場空間約為 25 億，主要包括省港集團 AI 訓練中心、大模型訓推一體機以及相應的專業服務等。自

236、動化集裝箱碼頭作業可分為裝船、卸船、集港、提箱四大流程。以卸船流程為例，碼頭會提前制定生產作業計劃，在船舶到港后，使用岸橋進行集裝箱卸載，經理貨后由水平運輸系統運送至堆場，再由場橋移進堆垛，最后由外集卡運輸至目的地，作業流程中由安防系統進行實時監測。71加速行業智能化白皮書3.11.1 智能計劃碼頭通過制定生產作業計劃，為進出港船舶及集裝箱裝卸、運輸和存放提前分配泊位、岸橋、場橋、集卡、堆場、艙位等資源。傳統方式采用人工制定計劃，存在人工耗時長、效率提升難等問題。通過使用運籌優化技術進行場景化建模并調用求解器，可在考慮多種約束的情況下，在給定優化目標上快速計算出最優解或近優解，將計劃生成耗時從

237、小時級降低到分鐘級甚至秒級，同時在泊位利用率、船舶在港時間、船時作業效率、倒箱量等關鍵指標上帶來一定優化。集裝箱碼頭智能計劃通常包含智能泊位計劃、岸橋作業計劃、智能配載計劃以及智能堆場計劃，如圖 3-36 所示。圖 3-36 集裝箱智能計劃結果3.11.2 智能操控港機操控發展一般可分為現場操作、碼頭自動化操作、超遠程集中控制、人工智能控制四個階段，如圖 3-37 所示。圖 3-37 港機操控發展趨勢傳統碼頭通過人工現場操控岸橋和場橋等吊機設備，存在作業艱苦、招工難、人力需求高、資源不能共享的問題。每臺吊車 24 小時作業需配備多名司機輪換，而吊車司機是特殊工種，要求高、培訓時間長，上崗后需要

238、持續在數十米高空低頭彎腰操作，身體損傷大，一般工作到 40 歲就會轉崗。自動化碼頭一般通過視頻回傳+F5G/5G 遠控的方式支持司機遠程作業，1 名吊車司機可遠程操控1 臺岸橋或多臺場橋，改善工作環境的同時也提高了作業效率。一些自動化碼頭已經基于視覺 AI技術初步實現了岸橋作業的部分自動化，以及場橋作業的全程自動化，但在控制方面仍有不足，岸72加速行業智能化白皮書橋作業時集裝箱運行的線路不夠優化，場橋作業時會頻繁出現二次著箱、人工介入的現象。目前國內已有個別企業通過使用深度強化學習技術，通過作業視頻學習橋吊司機的操作經驗，而后在實際作業中根據預設目標、集裝箱歷史運行路徑、當前運行速度、方向、晃

239、動等情況進行實時控制調整，選取最優路徑，避免二次著箱，減少人工介入，有效提升了吊車作業效率。3.11.3 智能理貨集裝箱在進行船舶裝卸作業時，需要進行箱號核對、箱損和鉛封檢查等操作，如圖 3-38 所示。圖 3-38 傳統理貨與智能理貨傳統理貨需要理貨員在裝卸現場通過理貨單或者理貨終端進行，因碼頭機械、集卡、貨物環境復雜，存在一定安全隱患。部分碼頭已將理貨作業后移到碼頭理貨中心，前端通過光學字符識別 OCR（Optical Character Recognition）識別箱號，后端通過查看照片，檢查鉛封、殘損狀況，此時理貨環境得到改善，但人工工作量仍較大。部分碼頭已采用智能理貨系統，通過CNN

240、等視覺AI技術，在岸橋裝卸過程中自動識別集裝箱號、ISO 號、危險品標識、鉛封等信息，支撐理貨人員從露天站位盯箱到室內輕點鼠標，這樣就在有效改善理貨環境的同時，也提升了理貨效率，并實現了理貨安全。3.11.4 智能水平運輸水平運輸系統是指針對集裝箱碼頭的岸邊與堆場間的集裝箱集運輸環節，構建集內集卡、上層TOS 調度系統與通信系統于一體的管理與控制系統。傳統方式依賴人工司機 7*24 小時作業，存在司機招募難、效率提升難、安全風險高的問題。智能水平運輸系統使用監督學習、深度學習、強化學習等 AI 算法，基于 5G、北斗、高精地圖，通過云端智能化調度，實現了動態排泊、IGV 實時路徑規劃、基于運動

241、學模型的車輛控制、超 300+車輛的大車隊統一管理以及車輛在碼頭內安全自73加速行業智能化白皮書動駕駛。提高岸線資源利用率的同時，有效保障了碼頭的作業效率和生產安全。水平運輸系統在實際作業中無人集卡運行的情況，如圖 3-39 所示。圖 3-39 無人集卡作業3.11.5 智能閘口如圖 3-40 所示，集裝箱在進出閘口時需要檢測集卡貨箱信息，傳統方式下采用人工現場檢查，存在效率低、易擁堵的問題。通過使用卷積神經網絡等視覺 AI 技術，可自動識別集裝箱號、ISO 號、裝卸狀態、船上貝位、裝車位置、車頂號碼、車牌號碼、單雙箱類型、危險品標識、鉛封等信息，進而結合業務規則進行實時智能分析決策，實現閘口

242、自動檢測及放行，有效減少了集卡等待時間，降低了擁堵發生概率。圖 3-40 閘口檢測3.11.6 智能安防港口安防包含了泊位、堆場、緩沖區、輔建區、閘口、碼頭樓宇內部以及港區道路等區域安全管理。傳統方式依賴人工監測，工作量大，效率和可靠性均難以保障。通過使用卷積神經網絡等 AI 技術，可實時發現車輛逆行、周界入侵、人員未戴安全帽等不安全行為和不安全狀態，大幅提升監測效率，有效保障碼頭生產安全。智能安防典型場景如圖 3-41 所示。74加速行業智能化白皮書3.12 城市智慧交通2019 年 9 月，中共中央、國務院印發交通強國建設綱要，作為新時代交通工作的頂層戰略統籌文件，交通強國建設綱要提出從交

243、通大國到交通強國，形成“全國 123 出行交通圈”與“全球 123 快貨物流圈”的總體目標，要求推動大數據、互聯網、人工智能、區塊鏈、超級計算等新技術與交通行業深度融合，構建泛在先進的交通信息基礎設施，建設富有活力、智慧引領的科技創新體系，到 2035 年，基本建成交通強國。2021 年 10 月，為貫徹黨的十九屆五中全會精神，落實中華人民共和國國民經濟和社會發展第十四個五年規劃和 2035 年遠景目標綱要要求，按照交通強國建設綱要國家綜合立體交通網規劃綱要相關戰略部署，交通運輸部印發 數字交通“十四五”發展規劃，進一步明確發展目標：到 2025 年，“交通設施數字感知，信息網絡廣泛覆蓋，運輸

244、服務便捷智能，行業治理在線協同，技術應用創新活躍，網絡安全保障有力”的數字交通體系深入推進，“一腦、五網、兩體系”的發展格局基本建成，交通新基建取得重要進展，行業數字化、網絡化、智能化水平顯著提升，有力支撐交通運輸行業高質量發展和交通強國建設。城市智慧交通經歷了多年的發展，可以總結為交通控制自動化、大數據輔助管控、大模型智慧運營三個階段，如圖 3-42 所示：圖 3-41 智能安防典型場景75加速行業智能化白皮書圖 3-42 城市智慧交通發展歷程第一個階段是交通控制自動化階段。在該階段重點建設信號控制、過車抓拍、違法抓拍、流量檢測、視頻監測等外場設備，以及配套的設備管理及信息采集系統，實現了交

245、通信號自動化控制、交通違法自動抓拍、交通過車自動采集、交通流量自動采集、視頻監測自動回傳，初步構建交通自動化控制與監測體系。但系統之間煙囪式建設，數據利用相對單一，缺少統一的管理平臺。第二個階段進入了大數據輔助管控階段。隨著云計算、大數據、人工智能等新技術的出現，智慧交通信息化迎來了新的發展方向，在進一步完善監測預警手段的基礎上，圍繞著大數據資源中心、大數據輔助管控、視頻智能分析開展建設，深入挖掘數據價值，進一步提升輔助決策、管控能力，同時提供基本的公眾信息服務，基本實現交通態勢可視、可測、可服務。但道路交通管理、綜合交通管理、公交管理行業系統之間仍然相對獨立，數據共享利用率低。第三個階段進入

246、了大模型智慧運營階段。隨著物聯網、5G、高精定位、AI 大模型技術的進一步成熟，帶動了城市智慧交通的進一步發展，通過打破交管、交通、應急等行業數據壁壘，匯聚全域全量精準數據，基于大模型保障城市交通安全、高效運行。將高質量 prompt 標注、AI 訓練芯片、人工反饋強化學習訓練等技術與能力，與交通行業管理的需求深度融合，構建交通千億級參數規模大模型，以多模態多能力向未來的新一代智慧交通體系服務。城市交通系統的管理職責主要由城市交通運輸部門與道路交通管理部門承擔，由于參與主體包含社會大眾、從業人員、相關交通企業，管理對象包含各類交通載運工具、固定設施系統、道路管理系統，按照不同的類目，城市智能交

247、通系統以相關政策及標準牽引，以職能部門的行政許可、行政審批、行政監管、服務考核等核心職責為導向，面向綜合規劃、工程建設、設施養護、交通管理、公共交通、道路客運、道路貨運、交通執法、安全應急、靜態交通等不同的業務場景提供基于業務流程的信息化服務。城市智慧交通系統包括道路交通、城市公交、76加速行業智能化白皮書相關配套設施等，是一個開放的復雜巨型系統，需要從交通需求、交通供給、交通組織、交通管理、交通行為等各方面綜合制定頂層方案。圖 3-43 城市智慧交通業務場景全景圖在智慧交通快速發展的情況下，交通行業管理服務不但面臨著交通事故預防、交通擁堵治理等復雜難題，同時也面臨著公共交通、交通樞紐供需匹配

248、不平衡、不精準等問題。建設的大量設備設施健康狀態主要采取人工巡查的方式和定期檢測的方式開展工作，導致基礎設施類災害預警評估所依據的數據來源不全面、不準確且滯后，基礎設施類災害的預警預報缺乏及時性、有效性和準確性。這些問題可以基于視頻監測數據、全域全量標準化數據依靠人工智能的 CV 能力、預測能力、多模態能力、NLP 能力實現交通事故預防、交通擁堵治理、智慧公共交通、智慧交通樞紐、設施狀態監測等 AI 場景，支撐多種運輸方式的調度協調，提供交通行政管理和應急處置的信息保障，提升交通事件發現、預警、預防、處置的能力，降低交通運輸隱患和風險，提升交通運輸效率。圖 3-44 城市智慧交通大模型應用場景

249、77加速行業智能化白皮書3.12.1 交通事故預防“十四五”時期處于“兩個一百年”奮斗目標的歷史交匯點，邁入高質量發展新階段，預計到 2025 年，中國機動車保有量、駕駛人數量、公路通車里程將超過 4.6 億輛、5.5 億人和 550 萬公里。人、車、路等道路交通要素仍將持續快速增長，導致中國道路交通安全整體形勢依然不容樂觀，道路交通安全工作基礎仍然比較薄弱，存在不少短板弱項，地區和領域發展不平衡不充分問題仍然突出，農村交通安全問題凸顯,道路交通事故時有發生。根據國務院安委會辦公室關于印發“十四五”全國道路交通安全規劃的要求，道路交通事故萬車死亡率“十四五”期間相較于“十三五”末年年均下降 3

250、%左右，較大道路交通事故起數“十四五”期間相較于“十三五”末年年均下降 4%左右，“十四五”期間重特大道路交通事故起數年均控制在 4 起左右，國省干線交通安全設施技術狀況優良率 2025 年達到85%，電動自行車和摩托車頭盔佩戴率 2025年摩托車騎乘人員頭盔佩戴率達 90%，電動自行車騎行人員佩戴率達到 80%，汽車安全帶佩戴率 2025 年前排達到 95%，后排達到70%?？梢砸劳?AI 技術保障交通安全、排查交通隱患，降低交通事故的發生概率。交通事故預防的 AI 場景包括機動車特征識別（含?；奋囕v檢測）、交通事件檢測（包括交通事故、交通擁堵、逆行/倒車、異常停車、路面拋灑物、路面積水、

251、隧道煙火檢測）、交通違法檢測（包括機動車闖紅燈、不按導向行駛、疲勞駕駛、超高、超載、闖禁行、非機動車闖紅燈、非機動車不帶頭盔）等場景。3.12.2 交通擁堵治理交通擁堵是指由于機動車、非機動車、行人交織在一起，造成通行效率低下的情況，通常出現在節假日或者上下班的高峰時期，在經濟發達、人口密集、車輛眾多、的大中城市，造成交通擁堵的主要原因是交通系統的承載量小于區域交通負荷量、交通供需不匹配、交通組織不良等?？梢越柚鶤I技術手段對交通擁堵路段、區域進行緩堵治理、引導分流，提升交通通行效率。常見的交通擁堵治理 AI 場景包括交通流量檢測（包括過車流量、客貨運流量、出行規律）、城市交通規劃、交通組織優

252、化（包括信號控制優化、信控綠波帶、HOV 車道、潮汐車道）、交通流量分析與預測、OD 分析、預約出行等場景。3.12.3 智慧公共交通根據交通運輸部和國家發改委印發的綠色出行創建行動考核評價標準，“十四五”期間，超/特大城市的公交機動化出行分擔率要求達到 50%以上，大城市、中小城市分別為 40%、30%；清潔能源公交車比例不低于50%，有必要持續提升公交出行品質，強化公交行業的交通服務競爭力。由于公共交通屬于傳統型交通行業，在行車計劃編制、運營調度、充電管理流程中往往依托于人工經驗，存在方案編制周期久，人工填寫時間長、充電效能待提升等短板。智慧公共交通以城市地面公交的數字化、智能化為依托，全

253、面提升行業效能、強化公交服務。其中，公交智能排班調度基于公交車輛運力與客運需求的精準匹配，通過 AI 算法快速輸出排班計劃，為車輛提供調度靈活的發車時刻；公交智慧充電根據波峰、波谷不同的電價成本，推導智能充電計算模型，從而合理安排公交車78加速行業智能化白皮書輛班次和充電的計劃，降低新能源公交企業整體用電成本；公交線網優化融合城市出行大數據，通過客流 OD 與線網模型快速生成軌道接駁、高快干線，為行業決策提供數字化依據。3.12.4 智慧交通樞紐交通樞紐是城市內外交通的骨干節點，承擔交通出行換乘、接駁能力。由于樞紐內部的到發客流量大，市內交通接駁服務需求高，在高峰客流抵達、發送的時間節點出現時

254、，極容易出現樞紐周邊交通擁堵、樞紐內部旅客滯留、乘客等待出租、公交等時間過長等各類問題。智慧樞紐以“多位一體”綜合樞紐建設理念，通過海量出行數據的分析，建立一套樞紐覆蓋服務區域、乃至更大的時空范圍內具備感知、互聯、分析、預測、控制等能力。包括基于樞紐各類交通方式的 OD 時空矩陣，通過樞紐出行算法在高峰出行時期對各類交通方式的接駁運力進行預測，并根據旅客的出行需求，通過AIGC 大模型推薦合理的出行方案等。從而實現高鐵、長短途公交巴士、地鐵、社會車輛等各類交通無縫換乘，以充分發揮交通基礎設施效能、提升交通系統運行效率和管理水平，為通暢的公眾出行和可持續的經濟發展服務。3.12.5 交通基礎設施

255、健康監測交通基礎設施監測是預測設施健康狀態的重要依據，是保障交通安全、暢通的重要保障，是減災防災的重要內容，其核心是通過直接觀察和儀器測量記錄基礎設施災害發生前各種前兆現象的變化過程和基礎設施災害發生后的活動過程。交通基礎設施監測包括對橋梁健康狀態、隧道健康結構、山體滑坡、護欄位移、標識標線不清晰、設施進行自動監測等場景，這些場景同樣可以使用 AI 技術來實現。79加速行業智能化白皮書第四章智能化使能民生4.1 城市治理隨著城市人口數量和人口密度的持續增長，城市的資源承載能力受到極大考驗。城市空間無序開發、城市管理效率不高、城市服務供給不足的矛盾日益凸顯。城市發展在交通、住房、環境、資源等領域

256、面臨挑戰，城市治理效率亟待提升。運用 AI 技術賦能城市治理，可以有效提升城市管理精細化水平，是實現高質量發展、創造高品質生活、打造高效能治理的重要方式。城市治理業務涉及城市運行、城市管理、社會治理、應急管理等重點領域，按照業務橫向協同、縱向聯動的建設思路，通過建立省、市、縣（區）三級基礎平臺，形成“統一領導、統籌管理、專業運營”的管理架構，面向省、市、縣（區）、鎮（街）、村（社區）五級用戶提供創新管理模式，實現城市治理的縱橫向聯勤聯動。通過實現事件的智能發現、智能分撥、智能處置，全面提升城市運行精細化管理水平。80加速行業智能化白皮書圖 4-1 城市治理業務體系城市治理面向區域內的問題、事件

257、，對于采集、分撥、處置、結案各環節通常采用人工經驗判斷的方式進行處理，往往被動響應、處置力量到達現場時間較長，事件處置效率低、群眾滿意度差。通過使用人工智能技術，促進業務與 AI 的不斷融合，實現城市事件智能發現、城運工單自動分撥、城市問題智能分類，充分提升城市事件的處置效率、提升城市治理智能化水平。圖 4-2 城市治理事件處置的需求81加速行業智能化白皮書利用 AI 技術從事前、事中、事后三個階段分別賦能和改善傳統城市治理模式，強化事件及時發現、問題及時處置、事后科學評價的閉環管理。一是在事件發現階段，以往主要依賴于人工巡查、市民舉報、12345 熱線等途徑，事件發現的時效性較低，影響了群眾

258、的生活幸福感和辦事體驗感。利用視頻 AI 技術自動發現事件，不僅能夠幫助基層工作人員實現市政、環衛、違停等多個場景事件的識別，還能夠自動上報至事件中心完成派遣，從而有效提高事件的處置效率，減輕基層工作人員的工作壓力。二是在事件處置階段，以往需要通過人工查找各部門的“三定”方案及相關法律、法規明確事件歸屬責任單位，再派單至對應部門。此過程耗時較長且錯誤率較高，影響了事件處置效率。通過運用 AI 技術賦能工單自動分撥，能夠快速將事件與權責部門進行匹配，同時為復雜事件提供相似事件的解決建議，大幅縮短人工派單時間，提升事件處置精確度和處置效率。三是在事件處置完成后，傳統管理模式需要依靠人工給出事件處置

259、的效能評估結果，用時較長、工作量大。通過運用 AI 技術，對處置效果進行跟蹤、挖掘熱點問題、挖掘責任主體和問題根因，持續提升政府服務效率，增強人民群眾的獲得感和滿意度。圖 4-3 AI 賦能城市治理高效處置城市事件，是推進城市治理新模式改革的重要突破口。未來，城市治理將持續運用AI 技術賦能城市治理事件全周期管理。作為提升城市風險防控能力和精細化管理水平的重要途徑，構建城市發展新格局的重要抓手，AI、大模型等新技術賦能的城市治理場景的市場空間將超過百億，將對促進城市高質量發展、推進城市治理現代化發揮巨大作用。4.1.1 事件智能發現城市運行管理中心匯聚了城市各委辦局和社會上萬路視頻數據，但事件

260、智能發現率較低。事件的主動發現基本依靠人工方式或市民投訴，中等規模的城市每個區約有 500-1000 名網格員，網格員工作強度高但往往不能快速發現城市治理問題；各委辦局、企事業單位的視覺智82加速行業智能化白皮書能化系統分散建設，基礎設施重復投資且建設水平參差不齊，算法標準不統一。為了解決此類問題，視頻智能發現利用可演進的 AI 能力，提供多場景的城市治理類算法，使能視頻識別和自動發現，并通過事件發現模型與事件中心聯動，實現自動識別違規行為、自動報警推送，同時通過網格員中心巡查的方式，減少人工巡查時間，提高城市事件多環節處理效率。目前視頻的智能發現 AI 算法可以為多場景提供服務，如出店經營、

261、暴露垃圾、綠地臟亂、機動車違停、車輛或大型物體占用消防通道、道路積水、人群密度監測、特殊車輛識別、渣土車識別等場景，有效提升事件發現時效性。4.1.2 工單智能分撥在事件發現之后，如何高效、準確地將事件分撥給正確的處置部門是當前城市治理的一大難題。負責事件分撥的派單員需掌握約 40 多個部門的“三定”方案，1000 多項權責清單、事項清單，2000 多條法律、法規。單純依靠人工分撥導致出錯率高，疑難工單識別難度大、處置周期長，熱線中心長期處于被動管理的狀態。城市治理工單接入的渠道豐富，包括 12345 熱線、小程序、APP 等，事件的類型、影響程度、嚴重程度以及涉及的部門需要大量的人工進行預判

262、。采用 AI 技術進行語義分析，智能派單模型自動識別工單內容，并通過學習歷史工單，掌握各類工單對應處置部門的專業知識，由此自動派發工單到相應處置部門，提升工單流轉和處置效率。同時，智能派單模型針對新領域工單、疑難工單，能夠識別工單內容、群眾訴求、地址等信息，標識出疑難工單類型，并推送至派單員提醒其關注。另外，針對疑難工單，AI 平臺能夠基于歷史典型工單的處理結果，向派單員進行相似案例的推薦，幫助其提高疑難工單的分析能力和處置效率。4.1.3 效能智能分析在城市治理領域，往往由于缺乏科學、全面的評價體系，導致城市管理人員疲于完成事件巡查、事件分撥和事件處置等海量工作任務，治標不治本?；?AI技

263、術，構建城市治理效能分析能力，圍繞“一件事”的評價目標，以工單量和滿意度等維度對城市治理效能進行評價，通過對每日事件相關的數據進行挖掘，分析各類民生訴求渠道匯聚的事件數量、事件類型、處置情況等關鍵要素，輔以數據可視化圖表的形式生成智能報告，通過“每日一報”的方式揭示城市運行的堵點、難點問題，協調推進問題整改。以 AI 智能分析作為城市運行的晴雨表，實時反映城市運行狀態、老百姓的熱點訴求、政府工作的短板，以評促改、持續優化。83加速行業智能化白皮書4.2 氣象預報氣象預報從最初的玄學，純粹依靠生活經驗判斷，到后來傳統天氣圖的誕生，天氣預報開始變為應用科學，再到現在的數值天氣預報和 AI 預報，預

264、報準確率大幅提升，經歷了人工經驗、信息化、數字化和智能化四個階段，如圖 4-4 所示。圖 4-4 氣象預報發展史現代氣象預報是氣象臺(站)運用現代科學技術(如衛星、雷達等)收集全國甚至全世界的氣象資料，根據天氣演變規律，進行綜合分析、科學判斷后，提前發出的關于未來一定時期內的天氣變化和趨勢的報告。準確及時的氣象預報在經濟建設、國防建設趨利避害，保障人民生命財產安全等方面有極大的社會和經濟效益。按氣象預報的時效長短，可分為：短時預報、短/中期預報、氣候預測。短時預報是根據雷達、衛星探測資料，對局地強風暴系統進行實況監測，預報未來 1 6 小時的動向。傳統的短時預報主要是用雷達監測資料外推的方式開

265、展，即根據估算前幾天的雨區今天會移動到哪里。短、中期預報指預報未來 1 15 天的預報，傳統的短、中期天氣預報根據大氣運動的規律數值化成偏微分方程組，根據初始的各個站點的氣象數據，帶入方程組中，利用超級計算機（HPC）不斷循環迭代計算未來時刻天氣。氣候預測指未來 1 個月到數年的預報，傳統氣候預測主要應用統計方法，根據各月氣象要素平均值與多年平均值的偏差進行預報，用數值預報方法制作長期預報的方法也在試驗之中，已有了一定的進展。AI 氣象模型在過去幾年取得了顯著的進展，在短時，短、中期和氣候預測領域都有探索。AI 氣象模型通過處理大量的氣象數據，如衛星圖像、氣象觀測數據和氣候模擬模型數據，挖掘天

266、氣系統的規律。這些模型能夠識別和分析各種天氣模式、氣候變化和極端天氣事件，并提供準確的天氣預報。AI 氣象預報的演進如圖 4-5 所示。84加速行業智能化白皮書圖 4-5 AI 氣象預報演進視覺和科學計算兩大模型的能力可以為三大類 AI 氣象預報場景提供有力的支撐，高效率的開發出場景適用的業務模型，如圖 4-6 所示。圖 4-6 大模型兩大能力支撐不同業務場景AI 氣象預報在短臨預報、中短期預報和氣候預測三個方向未來會持續進行更多的探索，為行業的數智化轉型提供有效的支撐，預計未來 3 年市場空間近 50 億。85加速行業智能化白皮書4.2.1 短時（短臨）預報傳統臨近預報算法主要以雷達監測數據

267、通過光流法等方法進行外推平移的形式呈現降水云團的移動，其無法利用長期積累的歷史氣象大數據，同時在實際的場景中，影響雷達云圖運動的因素肯定不止反射率因子信息，風向風速、溫度、濕度、氣壓等對云的移動與變化都會有影響，這是傳統外推法的局限性。而基于人工智能的短臨預報算法則通過構建神經網絡對多年的雷達觀測資料完成模型訓練，把風向、風速、溫度、濕度、氣壓等信息也放入模型中進行訓練，則可清晰地預測降水云團的位置移動和強度變化趨勢，與實況更為吻合。人工智能和機理融合的方式也有積極的成果，如通過端到端建模降水物理過程的神經演變算子，來實現深度學習與物理規律的無縫融合。4.2.2 短、中期預報在傳統短、中期天氣

268、預報的制作過程中，有兩個關鍵的組成部分都需要利用大規模高性能計算（HPC）集群進行模擬。一個是數據同化，用數值模型從衛星、雷達和探空氣球等觀測數據中推導出采樣數據，進而估測真實數據，以提供預報模型的初始場；另外一個是通過數值天氣預報（NWP）系統建立預測天氣相關變量將如何隨時間變化的模型，即數值預報模型。然而，隨著數據量的顯著增加，數值預報模型卻無法得到有效的擴展。也就是說，雖然現在有大量的觀測數據，但我們卻很難直接利用這些數據來提高預報模型的質量。而改進的方法，一般是由訓練有素的專家手動創造更好的模型、算法和近似值，這個過程耗時耗力，成本高昂。數據驅動的 AI 短、中期預報模型可以通過學習長

269、時間序列高質量的再分析數據來更全面的掌握物理規律，做出高質量的氣象預報，而推理計算資源卻低得多。業界 AI 短、中期預報模型當前主要基于歐洲期氣象局 60 余年高質量的再分析數據來開展訓練。4.2.3 氣候預測氣候預測是根據過去氣候的演變規律，推斷未來某一時期內氣候發展的可能趨勢，傳統氣候預測可以分為兩類，一類采用統計方法，另一類為動力學數值預報，即采用多初值和多模式的集合預報方法，因而從本質上看，氣候預測是一種概率預報。雖然準確率不高，但因氣候變化對糧食生產、能源供應以至人類活動等都有明顯的影響，因此對未來氣候變化的預測已引起人們的普遍重視。AI 在氣候預測方面利用深度學習、卷積神經網絡等技

270、術，對海量的氣象觀測數據、衛星圖像、雷達信號等進行快速處理和分析，從中提取有用的特征和信息，為氣候模型的輸入提供更高質量的數據。另外利用機器學習、強化學習等技術，對傳統的物理方程式或統計方法構建的氣候模型進行優化和改進，從而降低模型的誤差和偏差。最后和短、中期氣象預報類似，通過機器學習的方法來構建數據驅動的氣候預測模型，世界氣候研究計劃的氣候數據集可作為AI 氣候預測模型的訓練基礎。86加速行業智能化白皮書4.3 智慧醫療醫療行業是促進國家長遠健康發展、提高人民健康水平、保障和改善民生的戰略性行業,行業長期存在醫療專家資源稀缺與醫療診斷能力不足的公眾醫療問題。伴隨人工智能、5G、大數據等新興技

271、術的快速發展，醫療行業受到深刻影響，此問題也得到了初步改善，AI+醫療場景應用可以進一步有效緩解醫療資源分布不均、數據價值利用程度低、數據標準不統一等問題，推動醫療行業從最初的電子化、單系統應用，逐步向數字化、智能化不斷演進，如圖 4-7 所示。圖 4-7 醫療信息化發展歷程AI+醫療的融合發展共經歷了四個關鍵階段。從二十世紀七十年代起，人類就開始嘗試通過 AI 輔助醫療，提升診療效率和質量，改善醫患關系。二十世紀八十年代，AI 研究聚焦臨床決策專家系統，建立臨床知識庫模仿醫生決策過程。二十一世紀后，醫學成像設備逐漸成熟，AI 應用開始聚焦于輔助醫生提取復雜的多維醫學影像數據特性，完成診斷分析

272、。伴隨具備人工智能的醫療器械獲批上市，AI 也逐步用于輔助醫療診斷。至今，AI+醫療逐步走向成熟，大模型技術橫空出世，扮演起重要角色。AI 技術開始滲透到醫療各階段及場景中去,擴展醫療健康服務邊界、改變診療路徑并改善醫患關系，如圖 4-8 所示。圖 4-8 醫療行業人工智能應用場景87加速行業智能化白皮書AI+醫療是指醫療健康的生命周期內，在協助人或解放人的狀態下，以提升院內外醫療服務效率為目的、以人工智能技術為手段干預到傳統的院內外醫療環節的一種新型輔助技術。院前，人工智能技術可以應用于藥物研發、基因檢測等醫療健康管理環節，也可以應用于醫療環境監測、患者預約就診、智能分診等場景改善患者院前就

273、醫體驗。院中，AI 可以實現影像輔助診療、輔助病理診斷、精準醫療等，減少醫生工作量，提升診斷效率和診斷質量。院后，AI 通過健康管理、知識問答等功能，協助患者進行健康管理，從被動治療轉向主動預防。如今 AI 已經介入醫療領域的諸多場景，為醫學領域的技術發展與醫療服務提供了重要支撐，但是仍存在場景單一、碎片化嚴重、模型維護成本高、模型參數量小、應用范圍狹窄等問題，華為通過研發具備超強理解能力，可完成更多通用性任務的盤古大模型來解決上述難題，如圖 4-9 所示。圖 4-9 大模型支撐的醫療業務場景未來智慧醫療伴隨AI、大模型等技術不斷發展，以及信息技術與醫療服務深度融合，必將在智慧影像、精準醫療、

274、藥物研發、知識問答等場景提供更加有力的數字化、智能化技術支撐，預計未來 3 年市場空間近 70 億，可有效促進生態有序發展和商業繁榮。4.3.1 智慧影像醫學影像是指為了醫療或醫學研究，對人體或人體某部分，以非侵入方式取得內部組織影像的技術與處理過程。醫學影像使許多疾病都能看得到、看得準，從而使患者可以得到及時有效的治療，這是現代臨床診療體系中不可或缺的一環。但是對于醫院來說，醫學影像也存在著專業醫生缺口巨大，存在誤診漏診的現象，診斷速度有限等問題。人工智能醫學影像，將 AI 圖像識別領域不斷取得的前沿性突破技術應用在醫學影像領域，解決上述醫學影像診斷痛點。通過人工智能技術將醫學影像進行 3D

275、 重建，治療過程中，影像顯示病灶的對比分析，如圖 4-10 所示。88加速行業智能化白皮書圖 4-10 醫學影像進行 3D 重建圖 4-11 病灶顯示對比分析在醫學影像 3D 重建方面，AI 通過圖片特征點提取、分層建模、精準測量等技術，展示直觀、精確的3D醫學影像；在病灶識別與標注方面，針對 X 線、CT、核磁共振等醫學影像的病灶進行圖像分割、特征提取、定量分析、對比分析等，為影像科醫生閱片提供參考，幫助醫生發現難以用肉眼發現和判斷的早期病灶，大幅降低漏診及誤診；同時大幅提升影像醫生診斷效率，十萬張以上的影像處理僅需數秒。通過使用人工智能技術，可有效提高醫學影像診斷的精準性、標準化和自動化。

276、一圖勝過千言萬語，對醫學圖像的理解與診斷需要有醫學知識庫、圖像診斷模型和特征比對策略等關鍵條件的支撐。通過對大量圖像數據和醫學知識的訓練學習，醫學影像智能輔助診斷系統能夠快速識別不同的病癥圖像，定位病灶組織，為患者提供高質量的檢查報告。并基于深度學習不斷優化，通過大量已有的影像數據和臨床診斷信息訓練，在目前診療體系的基礎上進一步降低復雜疾病的誤診率及早期病灶的漏診率，從而帶來醫學影像總體診斷水平的提升。4.3.2 精準醫療隨著信息化手段的不斷提升，以及人們對醫療健康的需求越來越高，未來專業化的醫療服務將會不斷的升級迭代，精準醫療的概念也應運而生。精準醫療是依據患者內在生物學信息以及臨床癥狀和體

277、征，對患者實施關于健康醫療和臨床決策而量身定制的醫療服務。旨在利用人類基因組及相關系列技術對疾病分子生物學基礎的研究數據，整合個體或全部患者臨床電子病歷，為患者提供定制化治療解決方案的新型醫學模式。其本質是利用基因組特征、人工智能與大數據挖掘、基因檢測等前沿技術，對大樣本人群和特定疾病類型進行生物標記分析與鑒定，找到精確發病原因和作用靶點，并結合病患個人的實際身體狀態，開展個性化精準治療，提高疾病預防與治療效果。精準醫療主要包括基因測序、細胞免疫治療和基因編輯三個層次。其中，基于大量細胞和分子級別的基因測序是精準醫療的基礎；對免疫細胞進行功能強化與缺損修復是精準醫療在疾病治療領域的常見應用方法

278、，目前 CAR-T 和 TCR-T 療法備受關注；對變異細胞進行批量改造治療的基因編輯技術則為精準醫療的高階應用層次，技術壁壘較高。4.3.3 藥物研發一款創新藥從研發到上市，平均成本超過 10億美元、研發周期大于 10 年這是醫藥界公認的“雙 10 定律”。同時，藥物結構設計強烈依賴專家經驗、新藥篩選失敗率高，如何通過大數據、人工智能等科學技術加速新藥研發進程、平衡研發投入與成果產出之間的關系，成自動3D重建初診復診治療前治療后對比分析89加速行業智能化白皮書為了醫藥公司在數字化改革道路上的重點之一。將深度學習應用于藥物研究，通過大數據分析技術快速準確地篩選出合適藥物成分，從而縮短新藥研發周

279、期，降低研發成本，提高研發成功率。其中，在靶點篩選、藥物挖掘、患者招募以及藥晶預測等關鍵研發環節中，人工智能技術至關重要。人工智能通過自然語言處理、圖像識別、及其學習等技術，可以大幅度縮減研發流程，如圖 4-12 所示。圖 4-12 藥物研發流程藥物研發主要是通過靶點發現、化合物合成、篩選、晶型預測等流程進行。通過人工智能的應用，可以在靶點發現階段利用 NLP、DL 技術，快速識別患者數據中的身體變異數據，通過靶標數據庫高效定位潛在的靶標分子?；衔锖铣?化合物篩選階段，利用 ML、DL、CV 技術，參與到靶標三維結構預測、化合物從頭設計、成藥性預測及優化、藥物虛擬篩選等過程中，大幅降低新藥研

280、發的時間和成本。晶型預測階段，AI 結合實驗的晶型預測和篩選技術可以在 23 周內預測出潛在的最佳藥物晶型，有效加速研究和決策過程，大幅降低固體形態在后期應用的風險。4.4 智慧水務智慧水務是智慧城市理念在水務行業的延伸，是智慧城市的重要組成部分，更是未來水務現代化的基礎支撐和重要標志。在智慧城市發展的時代浪潮下，對水務信息化的建設提出了更高的要求，同時也為水務信息化發展提供了前所未有的機遇，智慧水務是水務信息化發展的高級階段，是數字經濟環境下，實現數字化轉型的必經之路。智慧水務業務主要包含水安全、水資源、水環境、水生態、水工程和水事務等領域。水是人類生活的源泉，而隨著城市的發展和全球生態環境

281、的變化，水災害問題頻發，水污染問題也越來越嚴重，水資源短缺加劇，水業務的監管和治理也成為城市發展的一大困擾，水災害、水污染、水資源等更是直接關系到民生問題，影響到人民的生命安全和財產安全。智慧水務業務如圖 4-13 所示。90加速行業智能化白皮書圖 4-13 智慧水務業務圖智慧水務是運用人工智能、物聯網、云計算、大數據等新一代信息通信技術，充分發掘數據價值和邏輯關系，促進水務規劃、工程建設、運行管理和社會服務的智慧化，提升水旱災害的防御能力和水資源的利用效率，改善水環境和水生態，保障國家水安全和經濟社會的可持續發展。智慧水務技術架構如圖 4-14 所示。圖 4-14 智慧水務技術架構圖91加速

282、行業智能化白皮書近年來，隨著云計算和大數據技術在水務行業的發展，算力的提升和算據的積累，使圍繞機器學習和深度學習的人工智能技術在智慧水務的應用取得了突破性的進展。即利用人工智能、數據分析等技術，實現對城市、河流、湖泊、濕地、水源地和水利工程等區域的水文監測、水資源調度、水環境保護等智能化管理。AI 技術的引入，使水務工作人員能夠更好地應對復雜多變的水文環境，優化水資源配置，保護水生態環境。人工智能技術在水務行業的應用場景如圖 4-15 所示。圖 4-15 人工智能技術在智慧水務的應用華為智慧水務AI解決方案采用AI技術和計算機視覺技術相結合，通過對視頻圖像進行特征分類學習、識別和分析，實現對河

283、道區域內亂扔垃圾、倒排污水等不文明涉水行為的自動抓拍、城市內澇積淹水自動識別預警和水情信息智能監測等智能化識別。通過自動發現問題，為水務業務應用提供更全面、更快捷的感知能力，減少需要大量人力排查的工作。華為智慧水務AI解決方案架構圖如圖4-16所示。圖 4-16 智慧水務 AI 解決方案架構圖同時基于深度學習等智能算法在水文遙感數據的處理和信息提取、山洪災害影響因素識別和風險分析、洪水計算模型調參、洪水預報預警和洪災風險評價等方面有著比較大的優勢和應用前景。智慧水務 AI 解決方案為水務行業的智能化、數字化提供了強有力的支撐，未來在水資源管理、水安全預警、水環境監測和水工程規劃等領域發揮越來越

284、大的作用，進一步提升水務業務智能化水平和精細化管理能力，預計未來 3年市場空間近 30 億。92加速行業智能化白皮書4.4.1 城市內澇預警近年來，由于短歷時強降雨或持續強降雨等極端天氣導致城市內澇的現象漸趨嚴重，例如今年北京特大暴雨、2021 年鄭州特大暴雨等均導致了嚴重城市內澇災害。暴雨內澇已經成為中國城市頻繁發生、損失嚴重且影響較大的災害，影響人們正常的生產生活，甚至對人們的生命財產安全產生了嚴重威脅。如何做到及時有效預警并通過一定的智能化手段來實現城市內澇從被動防御轉向主動防御，是當前面臨的重要課題。城市內澇是因為高強度的降水或者連續性降水，超過了城市的排水能力，使城市內的一定區域產生

285、積水而引起的災害現象。城市內澇易發區有城區低洼地區、下凹式立交橋、地下軌道交通、地下商場與地下車庫等。目前城市建設大量的視頻監測，主要用于安防、交通等，可充分共享這些視頻，同時補齊易澇區域盲區的監測，構建城市內澇積水等智能視頻分析模型。對城市內澇易發區積淹情況進行及時預警，將通知發送至相關監管部門和市民，將可大大提高城市內澇實時監測覆蓋范圍以及監測預警能力，及時采取相應防護措施，避免產生更大的損失和危害，助力城市內澇從被動防御轉向主動防御轉變。4.4.2 涉水事件監管目前全國流域涉水事件監管仍以人工巡河觀察為主，如檢查河道有無新增排污口、河道水體有無異味、河道設施是否完整、岸線是否存在四亂問題

286、、是否存在非法電魚等，涉及事件種類繁多、發生范圍廣，現有監管手段已經無法滿足新形勢下的要求。隨著視頻 AI、遙感 AI 等技術發展，充分利用已建視頻監測資源、遙感衛星資源，建立一套能夠利用計算機智能分析和理解音頻、遙感和視頻的模型庫。通過從海量存儲視頻、遙感影像中挖掘出人工難以獲取的信息，為后續的事件搜索預測提供了科學依據，避免視頻建設了但是無人看的問題、流域監管范圍廣監管難等問題，把工作人員從單調、重復、機械的被動巡查工作中解脫出來。有效實現水資源變化、水安全防御違規行為主動監測，形成水、物、人全方位的監測，實現大規模智能分析任務的調度、在線和離線分析、內容管理等，從而彌補傳統的傳感器和人工

287、在處理涉水業務處理上的不足。遙感識別模型可實現河湖“四亂”、生產建設項目擾動、地表水體、土壤墑情、岸線變化、生態補水、下墊面信息、農業灌溉取用水等涉水事件發現；視頻識別模型可實現采砂船、安全帽、漂浮物、垃圾堆、人員入侵等事件識別。4.4.3 水情智能監測水情是水務的重要感知監測要素之一，對于日常的水資源調度、汛期的防洪排澇至關重要。目前該數據監測手段主要有自動監測、人工監測兩種方式。自動監測依靠傳統壓力式水位計、雷達水位計、氣泡水位計、浮子水位計進行水位自動監測并回傳數據中心。其技術優點是比較成熟穩定，缺點是易受溫度、濕度及風浪等影響，安裝及維護成本較高。人工監測常應用在防汛、灌區計算等業務場

288、景中，需要人定時到現場通過儀器或讀取水尺的方式。如在一些灌區監管部門，每天在 8 點、12點、16點派人在渠首讀取水尺水位數據后，93加速行業智能化白皮書通過水位流量關系計算出渠首的來水量，在特大暴雨情況下，受天氣影響，會造成人員讀數不準確，誤差增大，對人員安全也會造成威脅。為了解決以上問題，國內已有許多廠商實現基于水尺圖像的智能識別，相對傳統人工或自動監測方式，提高數據采集的效率，降低了安裝成本及實施難度。雖然此技術也得到一定程度的應用，但受識別算法、識別模式、安裝環境等因素影響，水尺識別的準確性表現仍不佳，且基于圖像識別方法對每個攝像頭的安裝角度和位置要求較高，適應性不夠。隨著大數據、大模

289、型等技術興起，基于人工智能水尺識別將成為趨勢，即使用人工智能開發平臺，對大量水尺圖像數據采集及篩選、數據標注及模型訓練等深度學習后，使水尺刻度的識別算法可適應不同新安裝的現場環境，做到安裝攝像頭即可使用，無需專業技術調試，后期升級模型算法即可。同時通過人工智能方法也大大提高水尺識別準確性，可達到平均誤差不超過 1CM，最大誤差不超過 2CM 的精度。因此基于人工智能水尺識別，相對傳統人工讀數和自動采集、常規圖像識別，具備采集快、識別準、易適應等特點，可廣泛應用到水情監測中。94加速行業智能化白皮書95加速智能化轉型案例第三篇96第五章制造和大企業5.1 冠捷科技5.1.1 案例概述冠捷科技是全

290、球的大型高科技跨國企業，旗下擁有多個顯示行業自有品牌 AOC、AGON 和Envision 等，并長期獲得飛利浦獨家授權運營其顯示器、電視及影音等業務。為了應對工業4.0 的浪潮來襲，冠捷科技加快“制造”向“智造”轉型，在各種場景中引入工業AI解決方案，為未來業績長期增長注入動力。冠捷科技多個工廠的 SMT 產線均采用 AOI 設備，針對線路板的貼片和焊接質量進行爐前和爐后的檢查，原 AOI 設備直通率為 50%左右，極大消耗人力。公司希望通過 AI 技術，大幅度降低 AOI 設備誤判率，大幅度降低人工復判的比例，實現降本增效。冠捷科技聯合華為、博瀚智能，將基于華為昇騰底座和盤古大模型的解決方

291、案落地至冠捷多家工廠。該解決方案可檢測移位、漏件、側立、立碑、假焊、連錫等 10 余種 SMT 缺陷，覆蓋客戶所有 SMT 缺陷檢測。該解決方案在不更換 AOI 設備、極少改造產線的前提下，降低了 80%的人力，同時實現 AI 系統由工廠內部員工運維，取得節省人工、提升準確率、AI 系統自主運維的多重收益。5.1.2 解決方案和價值華為聯合博瀚智能于業內首創基于“數據驅動+MLOps”的自適應 AI 質檢系統，深度適配盤古大模型，通過AI模型在云端（集團側）開發，在邊側（工廠）和端側（車間）應用?！皶N騰制造”PCBA AI 質檢解決方案整體架構與檢97加速行業智能化白皮書測優化流程如圖 5-1

292、 所示。圖 5-1 PCBA AI 質檢解決方案該解決方案在 AOI 檢測后，加入 AI 質檢，對 AOI 判斷為 NG 的點進行二次檢測，通過深度學習技術訓練出具有極低誤檢率和超高檢出率的 PCB 缺陷檢測模型，從而有效降低后續人工復判工作量，節省 QC 成本?；跁N騰算力底座，實現業內首個基于“數據驅動+MLOPS”的自適應 AI 質檢系統的落地。解決方案充分發揮昇騰 AI 硬件的澎湃算力和盤古大模型的優勢，結合博瀚智能的自適應 AI質檢系統，有效實現 AI 系統終身持續學習，克服業內現有方案上線周期長、模型持續優化成本高的普遍痛點，使缺陷檢測模型實現自學習和自迭代。在缺陷類型方面，解決方

293、案可檢測移位、漏件、側立、立碑、假焊、連錫等 10 余種 SMT 缺陷，覆蓋冠捷科技所有 SMT 缺陷檢測，在不更換AOI 設備、極少改造產線的前提下，將模型開發和上線效率提升 5 至 10 倍，降低工廠和車間側模型適配和運維成本超 80%，降低人力成本超 90%，如圖 5-2 所示。解決方案同時實現AI系統由工廠內部員工運維。取得節省人工、提升準確率、AI 系統自主運維的多重收益。圖 5-2 AOI+AI 檢測效果對比經過 50 天的試運行和模型調優，模型的缺陷檢出率可穩定保持在 99.9%以上，過濾率在85%左右，遠遠高于項目最初定下的預期目標。不僅實現了人力成本的節省，同時產線的缺陷檢出

294、率也大幅優于完全依賴人工的水平，從源頭上避免了缺陷流至下一個環節。解決方案帶來的具體價值包含以下幾點：98加速行業智能化白皮書一、產線改造成本低：解決方案使用現有的 AOI 設備獲取圖像，無需增加或調整成像設備。AI 檢測的時間小于 300ms，不影響產線原有節拍。AI 檢出的不需要人工復判的部分，通過接口直接將結果上報到 MES 系統，無其它軟硬件對接成本。對于約 10%需要人工復判的部分，工人復判方式與原來一致，無需進行復雜的產品培訓。二、大幅縮減 QC 投入：AOI+AI 雙重檢驗過濾后，只有 10%的產品需要人工復判，僅為原來的五分之一，節省 80%人力，實現 1 個質檢員對應 4-5

295、 條產線。AI 檢測的漏檢率低于 0.01%，相比質檢員更穩定可靠。同時，AI 的檢測結果輸出包含缺陷分類標簽，對檢出缺陷進行更精細化的分類、統計和分析，為工藝改進提供數據支撐。三、在AI質檢項目運維方面，傳統AI質檢項目受到手工模型升級、部署的限制，AI系統精度常常波動，難以持續保持，如圖 5-3 所示。圖 5-3 傳統 AI 檢測模型精度華為與博瀚智能聯合在業內首創基于“數據驅動+MLOps”的 AI 質檢系統，實現自動化的“數據持續集成”、“模型持續訓練”、“模型持續部署”和“模型持續監測”。AI 檢測無需手動完成模型升級和生產部署，可持續保持系統精度，如圖 5-4 所示。圖 5-4 自

296、適應 AI 質檢系統自學習的模型精度99加速行業智能化白皮書經過以上對比不難發現，實現“數據驅動+MLOps”，不僅避免了大量的手工模型升級和生產部署工作，大大降低運維成本，更使 AI 質檢系統具備持續自學習能力，賦能 AI 質檢系統在多場景下快速上線并持續保持性能高位。5.1.3 總結和展望在冠捷科技 PCBA 板 AI 檢測項目中，華為與博瀚智能合作，充分支撐全場景 PCBA 質檢應用，實現小樣本訓練和模型快速上線等功能，為大模型在工業 AI 質檢領域廣泛落地提供了新的范式和動能。冠捷科技基于該解決方案，后續將在全國范圍的 PCBA 產線進行大規模推廣復制。與此同時，大模型技術在 PCBA

297、 板 AI 檢測中的成功應用，標志著大模型在工業 AI 質檢領域打開了新的篇章。大模型的應用，使模型訓練所需要的樣本數量減少 50%以上，訓練周期更短，精度提升超過 1%，這不僅展示了小樣本訓練和快速上線模型的強大能力，而且為未來其他工業質檢場景提供了先行經驗。隨著技術的進一步研究和完善，我們預期該模式將成為工業質檢的主流做法。它不僅能夠提高質檢的準確性和效率，還可以為企業節省大量的時間和資源。在全球制造業日益追求智能生產和自動化的背景下，大模型技術的應用無疑會為企業帶來更強的競爭優勢，推動整個行業邁向新的高度。5.2 華為南方工廠5.2.1 案例概述華為的制造體系每年都要處理億級的排產，以往

298、主要靠業務規則和人的經驗。由于排產人員的經驗和出發點不同，會出現各種問題，如資源沖突或浪費，導致訂單延誤?，F在，華為已經在車間、線體、設備和工序等制造要素上實現了全面的數字化，并結合科學調度理論，構建了各種場景的排產模型，實現了自動化排產。華為南方工廠是華為生產交換機、服務器、手機等終端產品的主要生產基地之一。華為南方工廠在制造領域已經全面應用了智能排產調度技術。以單板溫循為例，溫循是指對單板進行高低溫循環測試的過程。由于不同單板工藝要求的差異，不同批次的單板到達溫循的時間也不同，且單板溫循所用的測試裝備存在共用情況等原因，單純依賴人工經驗進行排產往往難以將溫箱裝滿，導致溫箱裝載率低。業務高峰

299、期，溫箱經常出現短缺現象，有時甚至需要租用外部資源。100加速行業智能化白皮書針對該問題，華為自動化部研發了溫箱智能排產算法，成功替代了人工排產，使任務令分批、溫箱及溫循時間推薦能夠自動決策。華為南方工廠在某車間上線溫箱智能排產應用后，溫箱利用率提升了 17，生產高峰期外租溫箱的需求從 50 臺降低到了 0 臺，節省了上千萬元的成本。為了進一步實現多工廠生產計劃排產綜合最優，華為南方工廠也在積極探索“盤古大模型+天籌求解器”的大模型智能排產解決方案，實現智能排產從有限約束條件到億級約束條件、工廠打包排產到多工廠協同、單目標牽引到多目標綜合考慮這三方面的優化升級。5.2.2 解決方案和價值單板溫

300、循前需要確定溫循的開始時間、溫箱編號和溫循時長。如圖 5-5 所示，測試車容量、批次數量和溫箱尺寸需要相互匹配。圖 5-5 單板溫循用溫箱解決這個排產科學問題難點在于，對于 10 個任務令要在 10 個溫箱中按照任意順序分配，排 列 組 合 數 為(10!)10=3.961065。這意味著即使計算機能夠在 1 秒內列舉出 2 億個解，窮舉所有可能的分配方案也需要約6.271049 年，相當于在有限時間內無法完成計算，考慮到任務令可能需要分批執行，計算復雜度將會更高。因此，必須設計高效的算法來解決此類問題。華為南方工廠參照批次組合調度+并行機調度模型構建了實際的溫循排產數學模型，決策變量、約束條

301、件和目標函數如圖 5-6 所示。（1）決策變量：溫循任務令批次與溫箱、測試裝備的對應關系、溫循批次大小、溫循批次開始/結束時間。（2）約束條件：上下工序批量交接約束、批量連續測試約束、凍結排產約束、停機時間窗約束、專用溫箱約束、溫箱占用約束、測試裝備可用資源約束、任務令插單約束、任務令批次混測約束、溫箱容量約束等。（3）目標函數：溫箱平均裝載率最大化、任務令完工時間超期最小化。101加速行業智能化白皮書圖 5-6 單板溫循數學模型針對以上數學模型，華為南方工廠采用了 ERT（Expected Residual Time，預期剩余時間）啟發式規則+迭代貪婪算法解決了溫循排產問題。具體來說，在預處

302、理階段，采用 ERT 啟發式規則，對任務令的釋放時間進行排序，優先處理最早釋放的任務令。在迭代計算階段，使用迭代貪婪算法，不斷縮小搜索空間，逐步尋找最優解。為了提高算法的效率，華為南方工廠還采用了一些定向、剪枝等策略，對搜索空間進行壓縮，從而有效降低了計算復雜度，實現了分鐘級快速求解的目標。在智能排產部分場景的算法實現方面，華為南方工廠也使用了天籌求解器為數學模型求最優解。求解器是一種計算機程序，用于解決數學問題、邏輯問題或其他類型的問題。求解器可針對定義的數學模型快速分析和計算，找到問題在數學上的最優解或者近似解。求解器的數學建模和算法開發有比較高的技術門檻，普通業務人員無法直接使用。為了進

303、一步推廣智能排產的應用，降低使用門檻，華為南方工廠積極探索大模型與求解器結合的智能協同決策方案。大模型善于捕捉和理解模糊的、復雜的和非結構化的信息；求解器善于處理確定性問題，執行邏輯運算和分析任務，對數學模型進行計算求解。華為南方工廠使用盤古自然語言大模型，輔助數學建模，將天籌的求解結果轉換成業務人員能夠理解的方案。具體的協同決策流程如圖 5-7 所示：圖 5-7 大模型與求解器協同決策流程102加速行業智能化白皮書在該決策流程中，用戶使用自然語言向盤古描述業務問題，盤古根據描述，將問題轉換為數學模型，包括需解決問題的變量、約束和目標；用戶確認數學模型后，盤古自動生成基于天籌求解器運行的算法代

304、碼；天籌求解器對問題優化求解后生成計算結果，如上圖中的簡單示例，優化結果為“x1=10,x2=5”；盤古使用自然語言對于優化結果進行解釋，便于用戶理解；最后用戶使用優化結果和描述信息生成方案。整個流程大大提高了自動化程度并降低了使用難度。在大模型技術架構方面，華為南方工廠基于“昇騰+鯤鵬”打造統一算力中心，并在此基礎上建立統一的華為 HIS 云平臺。ModelArts 是基于云平臺的統一 AI 平臺，為大模型提供模型訓練、模型推理和性能分析的完整端到端工具鏈，支持 L0 基礎大模型、L1 行業大模型和 L2 場景模型的三層架構。南方工廠大模型技術架構如圖 5-8 所示：圖 5-8 南方工廠大模

305、型技術架構這種 L0、L1 和 L2 的分層結構可以使得模型更易于理解和優化,同時也可以提高模型的泛化能力和效率。其中，L1 行業大模型是基于 L0 基礎大模型加入行業數據進行微調得到的。華為南方工廠主要使用的是制造行業 L1 大模型，該 L1 模型可以直接應用于代碼輔助、預測性維護和智能客服等場景。而 L2 場景模型是對 L1 行業大模型進行的壓縮，保留數據關聯性的同時降低了模型的復雜度和計算量。L2 場景模型常用于計算機視覺和預測性維護。103加速行業智能化白皮書5.2.3 總結與展望華為南方工廠通過各種資源的優化配置，應用智能排產進一步降低浪費，成功地縮短了產品上市周期，這不僅提高了經濟

306、效益，使生產更加適應了產品的多樣性和生產流程的復雜化，滿足生產環境不可預測的動態變化，增強了市場競爭力。在華為南方工廠的智能排產應用過程中，求解器無疑是核心的使能技術，而大模型的應用，降低了求解器使用門檻，縮短了復雜技術與普通用戶之間的鴻溝。展望未來，隨著數據驅動和技術進步，以華為南方工廠為代表的華為制造，將進一步完善和擴展智能排產的應用范圍，并完成智能排產系統與華為 MES+、MetaERP 的全面整合，實現更加精細化的生產調度、更智能的資源分配和更深入的供應鏈整合。這將進一步提升生產的敏捷性和彈性，使華為制造能更好地應對市場變化和不確定性，從而在行業競爭中保持持續領先，并推動其走向更高效、

307、綠色和可持續的制造未來。104加速行業智能化白皮書第六章礦山及重工業制造6.1 山東能源集團6.1.1 案例概述山東能源集團（以下簡稱山能集團或山能）是以礦業、高端化工、電力、新能源新材料、高端裝備制造、現代物流貿易為主導產業的大型能源企業集團，位居世界 500 強第 69 位，煤炭產量位居全國煤礦行業第三位。山能以科技興安、少人則安、無人則安為指引，按照頂層設計、標準先行、分類施策、示范引領、有序推進的原則，如圖 6-1 所示，于 2020 年啟動智能化煤礦建設的統籌規劃；2021 年建成 9 個國家級智能化示范煤礦；2022 年全面推進，建成 32 個一類礦井（高級智能化煤礦標準），43個

308、二類礦井（中級智能化煤礦標準）。當前山能集團已步入智能化建設深水區，亟需引入業界先進技術，保持自身智能化建設的領先優勢。105加速行業智能化白皮書圖 6-1 山東能源集團智能化建設推進目標2022 年山能集團與華為技術有限公司（以下簡稱華為）立足各自產業和技術優勢，建立全面戰略合作伙伴關系，深度融合工業場景與數字技術，重點圍繞煤礦智能化“少人、無人、安全、綠色、高效”的目標，開展 20 個課題的聯合創新，積極探索人工智能、大數據、物聯網、5G、F5G 等新一代信息技術在煤炭產業的應用。聯合創新中心成立后，雙方專家深入煤礦井下作業現場，了解井下生產時人、機、環、管的作業場景和安全規章要求，結合人

309、工智能在井下應用的諸多問題，進行了充分的技術交流后發現，井下人工智能技術應用最大的問題包括如下幾方面：1)負樣本無法窮舉，很多異常場景無法模擬，導致 AI 模型只能識別已經訓練過的樣本，新的異常場景無法識別，精度低。2)算法越用越差，AI 模型無法自動迭代更新，長時間運行后，因為異常場景的增多導致精度會越來越差，算法誤報、錯報率高，導致生產人員對算法普遍不信任。3)算法通用性差，AI 模型在不同煤礦相同場景運行的時候，準確性差，必須在 AI 模型提供商的開發環境經過二次開發（甚至可能需要重新建模）和訓練，開發和部署周期長。4)數據安全風險高，AI 模型提供商必須將數據拿到自己的訓練環境進行模型

310、開發和訓練，從而存在數據泄露的安全風險。5)煤礦客戶普遍不具備人工智能開發和維護能力，AI 模型出現問題后，只能等待廠家遠程或者出差到現場進行問題定位和解決，問題解決時間長。為解決以上問題，使人工智能應用大規?！跋戮?，山能集團與華為探索出了一套完整的可規模復制的工業化人工智能大模型解決方案，并通過實踐形成了一批應用成果。106加速行業智能化白皮書6.1.2 解決方案和價值6.1.2.1 方案架構基于雙方在人工智能方向的探索與實踐，創新性地采用了云邊協同架構，并使用非正常即異常和邊用邊學的機制，成功解決了當前行業人工智能應用的難題。（1）云邊協同架構采用集團中心云和礦山邊緣云兩級架構。集團中心

311、云建設基于盤古礦山大模型的人工智能訓練中心、開發中心和運維中心，通過集團統建統管，避免了各單位重復投資和煙囪式建設，實現了集約化的公共訓練算力服務。集團中心云使用礦山邊緣采集的數據進行算法開發、模型訓練，AI 模型統一由集團中心云下發到礦山邊緣云進行遠程部署，并與應用系統通過標準化的 AI 框架平臺進行集成，模型的推理信息與應用系統、生產系統實現聯動，完成業務閉環,如下圖 6-2 所示。圖 6-2 云邊協同架構107加速行業智能化白皮書（2）非正常即異常、邊用邊學機制非正常即異常：針對異常場景無法窮舉的問題，通過學習大量的正常樣本特征，在日常 AI 推理過程中將無法識別的異常樣本提取出來（過濾

312、掉 99%以上的正常樣本），徹底解決負樣本無法窮舉的問題。邊用邊學：異常樣本識別出來以后，上傳到集團云大模型訓練平臺的增量樣本庫中，由行業專家進行人工判斷標注，然后進行二次訓練，并將訓練完成的新版本算法下傳到邊緣云進行迭代升級，從而實現算法模型越用越好的能力。如圖 6-3 所示。圖 6-3 非正常即異常和邊用邊學機制示意（3）盤古礦山大模型：礦山行業預訓練大模型，實現人工智能應用“工業化生產”大模型“起點高”，小樣本能力強，快速提升識別精度：盤古大模型通過海量數據預訓練，學習大量礦山行業的特征，從而形成了行業大模型。在進行場景化 AI 算法開發時，通過少量樣本的訓練進行精調后即可開發出精度高的

313、模型，相比傳統模型識別精度提升 30%以上。大模型“見多識廣”，通用性好，支持規模復制：盤古大模型通過海量數據的預訓練以后，因參數量大，可以承載更多的類似場景，帶來更好的通用性。例如大模型對一百條皮帶視頻場景進行了預訓練，那么基于大模型開發的皮帶監測算法，如跑偏、大塊煤、異物識別等場景的通用性要大大優于小模型，從而大大提升了算法的開發和應用效率，降低了開發和交付成本，實現模型開發產線化，推動人工智能應用從“作坊式”到“工廠式”升級。大模型+工作流，降低 AI 開發門檻：提供向導式的算法開發、訓練、操作平臺，通過調用大模型自動調參（學習速率、批次大小等）和生成模型的能力，簡化場景化AI模型開發難

314、度，減少對專業AI開發經驗的依賴。如圖6-4所示。108加速行業智能化白皮書圖 6-4 華為盤古礦山大模型6.1.2.2 應用場景當前，山能集團已在其下屬的李樓煤業、興隆莊煤礦、濟寧二號煤礦等單位開發和實施首批場景化應用，涵蓋了采煤、掘進、主運、輔運、提升、安監、防沖、洗選、焦化等 9 個專業 21 個應用場景，通過接入現場生產數據和監測視頻，實時優化工藝參數、識別故障與異常、審核作業規范，以廣播提醒、設備聯動等方式實現了自動處置，形成了一批應用成果，部分場景介紹如下：（1）李樓煤業：防沖卸壓施工孔深智能監管山東是中國受沖擊地壓影響最深的區域，防沖卸壓工程是沖擊地壓防治的重要手段，通過在采掘工

315、作面等應力集中區進行卸壓鉆孔作業，可有效改善煤體內應力狀態、降低沖擊地壓風險。鉆孔深度是防沖卸壓工程關鍵的參數之一，是人工核驗的重點。傳統防沖卸壓施工監管采用井下錄制視頻、井上對視頻逐個人工核驗的方式，存在審核工作量大、核驗滯后時間長、標準不統一、監管有盲區等問題。圖 6-5 防沖卸壓施工現場109加速行業智能化白皮書通過在鉆機上架設無線攝像儀，俯視拍攝鉆機、鉆桿和工人取桿動作，采用計算機視覺 AI 算法對打鉆視頻進行實時核驗，識別有效鉆桿，得到鉆孔深度，對不滿足施工要求及時告警，如圖6-5所示.圖 6-6 防沖卸壓施工孔深監管部署示意如圖 6-6 所示，該系統增強井下卸壓工程的實時監管能力，

316、實現井下卸壓工程遠程可視可管可控，做到工程質量當天審核。通過打鉆深度智能監管，降低人工核驗工作量 80%，實現卸壓鉆孔核驗全覆蓋，實現閉環管理，提升核驗效率。（2）興隆莊煤礦：掘進安全質量智能監管掘進作業在安全管控上存在安全保障難、頂板管控難、行為規范難、質量保持難、責任追溯難等五大難點，也是制約掘進工作面實現智能化和安全高效生產的痛點。圖 6-7 防沖卸壓施工現場110加速行業智能化白皮書如圖 6-7 所示，通過在掘進機機身前部、右部和側面安裝攝像儀，對掘進迎頭作業區域進行實時監測和分析,以 AI 智能目標識別和動作識別為主，結合傳感器及設備運行狀態實現掘進工作面人員安全和作業質量的智能監管

317、。監管范圍包括截割期間入侵，作業區域人員摔倒，截割結束后截割部落地到位、敲幫問頂、臨時支護、頂板支護等作業工序作業是否規范。并實時生產告警工單，通知掘進隊長、安全員、調度室值班人員和安全礦長，及時進行問題處置和事后問題回溯、學習、改進。圖 6-8 掘進安全質量智能監管系統如圖 6-8 所示，掘進安全質量智能監管實現了人工智能與掘進工藝、技術、裝備的深度融合。通過人工監管到自動監測的轉變，保障人員安全，提升作業規范，保證支護質量，降低巷道維護成本,提高煤礦生產的安全系數。（3）濟寧二號煤礦：重介選煤分選密度智能控制重介選煤分選工藝復雜，選煤廠自動化和智能化水平普遍較低，當前主要依靠人工經驗控制生

318、產。由于人工經驗參差不齊，經常出現精煤產品質量過剩的問題，造成精煤回收損失，影響選煤經濟效益。利用盤古礦山大模型在參數預測方面的優勢，對重介分選生產數據的進行分析建模，構建出重介選煤分選密度預測模型。通過對實時數據分析處理，實現基模型自動調參優化和高效協同，預測出最優的分選密度，通過聯動重介旋流控制系統完成精確控制，如圖 6-9 所示。111加速行業智能化白皮書圖 6-9 重介選煤分選密度智能控制系統重介選煤分選密度的智能預測實現了重介選煤由粗放式生產到精細化生產的轉變，穩定了精煤灰分波動率，提高了精煤產率，提升了企業的經濟收益。經過生產驗證，精煤產率提升0.2%以上，按照年入洗量 400 萬

319、噸計算，精煤增產約 0.8 萬噸，參考該礦精煤產品和中煤產品當前的市場差價 600 元/噸，粗略測算年增收約 480 萬元人民幣。6.1.2.3 方案價值人工智能新架構和盤古礦山大模型協同的礦山人工智能方案在山能集團商用落地，它給山能集團帶來“四個轉變”：實現由“高危生產”向“本質安全”的轉變。通過對人的不安全因素、物的不安全狀態進行智能管控、提醒、消缺，進一步提升安全自管自治能力，降低安全事故發生概率。實現由“勞動密集”向“精簡高效”轉變?；诖竽Ｐ偷囊曈X AI 分析技術，優化日常巡檢和安全監管工作，進一步提升生產效率，降低勞動強度，減少作業人員。實現由“粗放管理”向“質量效益”轉變。通過對

320、各廠礦生產數據建模，與人工智能相結合，進行生產系統參數預測和優化，提升產品質量，降低生產成本，有效提高生產效率和經濟效益。實現由“分散重復”向“集約高效”轉變。通過對人工智能應用的統建統管，實現了集約化的人工智能算法開發、模型訓練和迭代升級，業務場景創新規模負責、系統應用和人工智能人才培養，避免了各單位重復投資和煙囪式建設。6.1.3 持續運營人工智能的成功應用是一個完整的系統工程，不僅要搭建技術平臺，還要建立全新的運營體系，通過產品運營、運營支撐和客戶運營環節的不斷優化，確保人工智能技術和產品能夠更快地實現規?；瘡椭?。在此過程中，山能集團、云鼎科技股份有限公司（以下簡稱云鼎）和華為攜手合作，

321、在各自領域發揮優勢，共同推動112加速行業智能化白皮書人工智能的持續落地。云鼎作為山能集團的產業化公司，主要負責場景化 AI 應用開發、交付和運營工作，其中山能集團主要提供應用場景、業務專家和政策保障方面的支持，華為作為山能集團的合作伙伴賦能云鼎，主要在場景化 AI 應用開發、維護和優化能力方面給予全面支持。1)賦能培養人工智能人才：華為提供標準化培訓課程，賦能云鼎研發團隊，具備基于大模型平臺的場景化模型開發能力、平臺運維運營能力，幫助云鼎、山能集團、礦企培養人工智能人才。2)結對幫扶支撐云鼎組織建設：云鼎整合組織，華為提供結對幫扶服務，圍繞人工智能應用/項目的全生命周期為云鼎提供 E2E 的

322、專家技術支持。3)流程支撐縱向做深、橫向擴展：三方共同優化完善人工智能場景需求規劃流程，覆蓋礦企需求收集、需求評審、立項、解決方案設計、版本開發、交付運維等環節，支撐云鼎完成煤礦產業板塊價值場景全面覆蓋，后續向電力、新能源等板塊橫向擴展。4)運營驅動產品迭代演進：云鼎開發的場景化應用上線后，基于大模型平臺的邊用邊學能力和持續運營流程，礦企持續收集反饋負樣本，云鼎運營團隊例行分析誤報、漏報的反饋，統計模型指標，及時識別問題并優化模型，確保模型越用越好5)能力外溢：基于云鼎當前已具備的場景能力和持續規劃，在已完成與華為產品的集成驗證基礎上，打造一套即適用于集團內部復制推廣，也能用于向集團外溢出能力

323、的解決方案組合，通過提供應用，AI 算法模型和服務，助力煤礦行業提升智能化建設水平。6.1.4 總結與展望山東能源集團與華為此次基于盤古礦山大模型的聯合創新，是人工智能技術與行業業務場景深度融合一次成功的探索實踐，場景應用系統為盤古礦山大模型訓練提供了多樣化的模型數據，持續提升大模型的能力，而大模型訓練出來的場景化 AI 模型又應用在煤礦安全生產場景中，不斷提升煤礦智能化和安全水平。通過本次實踐，我們也深刻的認識到盤古礦山大模型不僅是一個產品、一個平臺，更是一套系統工程，它以云邊協同架構、邊用邊學和非正常即異常機制為基礎，以持續運營機制作為保障，通過技術賦能，組織整合，使人工智能從理論走向實踐

324、，從聯合創新走向實際應用，從研發中心走向了生產現場。面向未來，山東能源集團將持續深化人工智能技術的創新應用，最大限度減少危險崗位作業人數，建成一批新型智能化示范礦井，堅持合作共享共贏，為提高煤礦行業智能化建設水平，助力國家經濟社會發展做出行業貢獻，展現擔當。一、深耕礦山智能應用，提升生產智能化水平?；诒P古礦山大模型在企業的落地，進一步深化人工智能技術，加強人工智能技術業務場景的深度融合，訓練開發更多的應用場景，提高煤礦安全生產保障水平和企業效益。二、輻射核心產業板塊，推動智能化建設橫向拓展。立足當前礦業板塊成熟實踐，將盤古礦113加速行業智能化白皮書山大模型能力輻射到企業高端化工、電力、新能

325、源新材料、高端裝備制造、現代物流貿易等業務板塊，構建全產業智能生態，持續推動“數智山能”建設。三、堅持合作共享共贏，賦能行業高質量發展。加強行業內外智能化應用交流合作，分享智能化應用經驗，聯合更多業內同行和產業合作伙伴，攜手創新，構建開放共享的創新生態圈，促進人工智能技術與礦山智能化建設的深度融合，推動行業實現安全、綠色、智能、高效發展。6.2 華菱湘鋼6.2.1 案例概述華菱湘鋼始建于 1958 年，產品涵蓋寬厚板、線材和棒材三大類 400 多個品種，具備年產鋼1600 萬噸的綜合生產能力。目前已經發展成為了湖南單體規模最大的國有企業，也是中國南方重要的精品鋼材制造基地。2021 年以湘鋼為

326、主體的湖南鋼鐵集團取得了中國鋼鐵上市公司營收和利潤排名雙第 2 名的成績，成為湖南首家世界 500 強企業。2019 年 8 月，湘鋼與華為公司、湖南移動攜手合作，共同開啟了湘鋼“5G+智慧工廠”建設。歷經 3 年，成功打造了“黑燈車間”、無人產線3條、建設5G+遠控天車、5G+AR遠程裝配、5G+巡檢無人機群等應用場景 21 個，成為中國鋼鐵行業 5G 全連接工廠的標桿案例。2022 年 11 月，湘鋼與華為公司、湖南移動進一步簽訂鋼鐵人工智能項目合作框架協議，在全廠 5G 高速互聯的基礎上，基于盤古大模型+云邊協同架構，建設覆蓋鋼鐵制造全流程的智能平臺和標準體系，將湘鋼建設成為鋼鐵行業“信

327、息化、數字化、智能化”的示范標桿，引領鋼鐵行業從“制造”向“智造”轉變。三方聯合團隊深入現場，結合生產關鍵問題和云邊協同架構，快速在焦化、煉鐵、煉鋼和軋制環節聯合打造了行車智能調度、智慧配煤、轉鋼自動識別控制、皮帶智能監測等場景應用，并在試點孵化智能精煉、能耗預測等場景應用以及在集團內的推廣復制。6.2.2 解決方案和價值6.2.2.1 方案架構依托華菱湘鋼與華為技術有限公司在智能制造上的長期探索與實踐，雙方創新性采用了人工智能新架構和盤古行業大模型協同的工業化人工智解決方案，實現了 AI 大模型在鋼鐵行業的快速構建和部署，縮短了 AI 建設周期，加速了湘鋼 AI 應用的落地。（1）華為云和湘

328、鋼數智云兩級協同架構，實現數據采集與算法訓練的高效協同。在華為云上建設基于盤古大模型的人工智能訓練中心、開發中心和運維中心，實現湘鋼智能化應用的快速訓練開發和部署應用。盤古大模型使用湘鋼數智邊緣云采集的數據進行算法開發、模型訓練，訓練好的 AI 模型通過線上下發到湘鋼邊緣數智邊緣云部署，湘鋼邊緣云運114加速行業智能化白皮書行 AI 推理模型。結合非正常即異常、邊用邊學機制實現云邊高效協同，越用越準。圖 6-10 湘鋼人工智能部署架構盤古大模型采用大量預訓練模型，實現湘鋼AI應用的快速落地。盤古行業大模型通過海量數據訓練，學習到大量工業領域的特征和經驗，將其沉淀在大模型上億的參數中。當針對鋼鐵

329、行業某一具體場景開發時，由于大模型已經學習過類似場景的相關特征，而非從 0 開始，因此只需少量樣本即可達到較高的識別精度，相比傳統模型識別精度提升 10%以上。智慧焦化配煤、智能皮帶監測等應用場景在進行少量樣本訓練進行模型微調后，模型精度即可滿足業務使用。圖 6-11 盤古大模型鋼鐵行業應用場景115加速行業智能化白皮書6.2.2.2 應用場景華菱湘鋼在焦化、煉鐵、煉鋼和軋制環節進行了行車智能調度、智慧配煤、轉鋼自動識別控制等應用場景進行了部署，效果顯著，同時試點孵化智能精煉、能耗預測等新場景應用。一、智能行車調度行車集裝卸、搬運、運輸功能于一身，是鋼鐵生產最主要的設備之一，也是決定鋼廠高效運

330、轉的關鍵因素。湘鋼煉鋼廠轉爐爐后精煉跨是當前行車作業最繁忙的區域，由于轉爐出鋼&爐后精煉&連鑄鋼水上臺接收均在一個跨內，所有鋼水包的吊運，精煉跨區域的大型物料設備吊運由五臺冶金吊行車進行吊運。五臺行車的調度由人工通過視頻監測各工位情況，基于計劃進行調度決策，通過對講機、座機等指揮各崗位工作人員作業，實現各個環節的串聯調度。人工調度嚴重依賴調度員的經驗和能力，由于生產過程高度復雜，人工無法全面感知各個環節中的情況，調度決策難以全面考慮后續各個工藝環節，會造成工藝環節銜接不順導致的生產效率下降。人工調度制約了企業的生產管理水平和制造自動化水平的提高，從而影響了生產節奏、設備效率、生產成本等生產指標

331、的改善提高。華菱湘鋼煉鋼廠上線的行車智能調度系統，基于 AI 大模型的決策優化技術，綜合考慮煉鋼各環節生產計劃、各冶煉工位生產實績、行車和鋼包實時位置信息、行車的檢修和設備異常、各類業務規則等情況，整體統籌安排行車運行規劃，智能生成行車調度計劃，對于生產的動態變化，可以在 1 分鐘內完成未來 30 分鐘的決策并完成指令下發，有效提升鋼包周轉率，減少每爐次等待時間，降低過程溫降，提升行車運行效率，減少煉鋼環節的噸鋼成本。圖 6-12 行車智能調度系統輸入輸出二、轉鋼自動識別控制鋼廠在煉鋼過程中，有一項主要的工序是成形軋制工序，也就是沿板坯長度方向或寬度方向進行4 7 道軋制，把坯料軋至所要求的厚

332、度。每塊鋼坯的軋制過程會涉及 24 次不等的轉鋼操作。轉鋼操作是通過控制轉鋼輥道上的錐形輥道的轉向和轉速，帶動鋼坯旋轉 90 度之后再送入軋機，從116加速行業智能化白皮書而達到在不同方向上展寬的工藝要求。這道工序是原來完全由人工通過監測畫面，手動控制手柄控制操作完成。操作崗位需要工人 24 小時輪班值守操作，轉鋼操作的速度和效率依賴操作工人的技術熟練程度。圖 6-13 寬厚板粗軋轉鋼監測畫面&人工轉鋼操作基于 AI 的自動轉鋼應用，能夠通過 AI 攝像頭，自動采集轉鋼輥道區域和鋼坯的視頻數據，經過云端訓練模型之后，可以將模型部署在昇騰服務器上。通過部署在計算節點上的應用和算法實現自動紀錄鋼坯

333、、識別鋼坯的方向和角度，并根據視覺識別輸入結果對接軋機 PLC 控制系統，自動控制轉鋼輥道的轉向和轉速，實現板坯的 90 度自動旋轉，從而節省人力，提高鋼坯的軋制效率。AI 轉鋼自動識別應用系統主要由 AI 攝像頭、邊緣計算&推理節點、視覺識別&角度計算系統、云端 AI 訓練平臺和軋鋼 PLC 控制系統組成。通過計算服務器和推理節點支撐轉鋼動作、角度精確計算，經過實時計算的角度反饋對接軋機控制系統完成轉鋼操作。大模型+智能+云的結合實現了對企業實際作業自動化和效率的提升，也啟發了更多計算機視覺的應用場景。圖 6-14 自動轉鋼原理（左圖）&實時紀錄角度計算（右圖）三、智慧焦化配煤配煤的決策需要考慮多種原料煤（質量、價格、庫存）、生產工況（爐型、爐溫、結焦時間等）以及焦炭質量要求等多維度因素，可選的求解空間非常大，當前焦化行業配煤主要依賴技術工程師的117加速行業智能化白皮書人工經驗，難以兼